Meta AI's EvoHarness-RL verbessert KI-Agenten für Langzeit-Workflows

Meta AI hat in Zusammenarbeit mit Forschern der University of Illinois Urbana-Champaign EvoHarness-RL vorgestellt, ein neues Framework zur Verbesserung der Leistung von KI-Agenten bei langwierigen und komplexen Aufgaben. Diese Entwicklung stellt einen bedeutenden Schritt in Richtung autonomerer und effizienterer KI-Systeme dar, die komplexe Unternehmensabläufe ohne ständige menschliche Eingriffe bewältigen können.

Traditionell wurden die Operationen von KI-Agenten durch starre, vom Menschen kodierte Regeln gesteuert, was ihre Autonomie und Anpassungsfähigkeit an dynamische Situationen einschränkte. EvoHarness-RL führt eine Abstraktionsebene in das Laufzeitsystem (Harness) des Agenten ein und lehrt das Modell, wann und wie es aus seiner Umgebung gewonnene Informationen nutzen soll. Dies löst die Herausforderung, bei der große Datenmengen oder langwierige Prozesse die interne Speicherkapazität eines Agenten überschreiten.

Xuying Ning, einer der Autoren der EvoHarness-RL-Studie, betonte, dass manuell kodierte Logik und starre Speicherstrukturen erhebliche Engineering-Ressourcen beanspruchen. "Das optimale Harness ändert sich oft mit dem Modell", erklärte Ning. "Unterschiedliche Modelle erfordern möglicherweise unterschiedliche Prompts, Speicherdesigns oder Konfigurationen. Wenn all diese Logik manuell kodiert wird, kann jedes Modell-Upgrade zu einem langen Zyklus von Feinabstimmung und Fehlerbehebung führen."

EvoHarness-RL konsolidiert die Unterstützungssysteme des Agenten in einer einheitlichen Schnittstelle namens Belief, Progress, and Experience (BPE). Dies ermöglicht es dem Agenten, optimale Entscheidungen bei der Verwaltung seines externen Zustands zu treffen. Anstatt blind fest codierten Anweisungen zu folgen, lernt der Agent, aus verrauschten Ausführungsdaten einen strukturierten Arbeitsbereich zu erstellen und zu entscheiden, wann und wie er in komplexen Arbeitsabläufen konsultiert werden soll. Dies erleichtert auch die effektivere Wiederverwendung von zuvor erlerntem Wissen und die Vermeidung von Fehlern bei langwierigen Aufgaben.