Ottimizzazione Aperta: Ripensare gli Agenti Auto-Evolventi Senza Pipeline Predefinite

Uno studio recente pubblicato su arXiv (2608.09629v1) mette in discussione il quadro tradizionale per gli agenti auto-evolventi, che spesso dipendono da processi di ottimizzazione fissi che governano la raccolta di prove, la modifica degli artefatti, la selezione dei candidati e i criteri di completamento. Gli autori esplorano se tali procedure specifiche siano essenziali quando un modello di frontiera funge da ottimizzatore. Propongono l'Ottimizzazione Aperta (OEO), una strategia che mantiene l'obiettivo, i limiti di interazione, l'allocazione delle risorse, i vincoli sui dati e i metodi di valutazione, consentendo all'ottimizzatore di sviluppare dinamicamente il processo di miglioramento. L'OEO è stata testata contro due metodi consolidati: SkillOpt, una pipeline a fasi con modifiche limitate, e GEPA, un approccio evolutivo riflessivo. In 14 confronti diretti su 8 scenari benchmark-modello-target, l'OEO guidata da GPT-5.5 ha ottenuto 12 vittorie, 1 pareggio e 1 sconfitta di misura di 0,21 punti percentuali, utilizzando una mediana del 34,3 percento del budget di token di interazione target di SkillOpt. Viene anche menzionato un controllo one-shot a zero interazioni, sebbene i dettagli siano troncati. I risultati indicano che un'ottimizzazione aperta e adattiva può superare le pipeline rigide essendo più efficiente nell'uso delle risorse.