OpenLoopEvolve: un framework di auto-evoluzione per le politiche di loop in compiti a lungo orizzonte

Uno studio recente presenta OpenLoopEvolve (OLE), un framework volto a migliorare le capacità degli agenti AI nella gestione di compiti complessi e a lungo termine. Questi compiti richiedono che gli agenti osservino costantemente gli stati, elaborino piani, utilizzino strumenti, validino i risultati e si riprendano dagli insuccessi in ambienti dinamici. OLE affronta la sfida che l'esperienza di controllo sia limitata a contesti specifici o a prompt fissi, ostacolando la capacità di costruire su dati storici. Al centro di OLE c'è la 'Loop Policy', che incapsula i processi dell'agente—osservazione, pianificazione, memoria, azione, verifica, recupero, arresto e controllo del budget—come risorse di policy adattabili con versioni e lignaggi distinti. Il framework include modalità di evoluzione online e offline. La modalità online genera candidati basati sul feedback operativo, mentre la modalità offline esplora tracce archiviate e dati di fallimento per potenziali policy. Entrambe le modalità utilizzano un meccanismo di evoluzione condiviso per il miglioramento continuo. L'articolo è disponibile su arXiv con identificatore 2608.09380v1, contribuendo significativamente all'IA e all'apprendimento automatico promuovendo policy di controllo più flessibili e riutilizzabili per compiti complessi.