ИССЛЕДОВАНИЕ · RESEARCH · #1651
SAGA: абстрагирование знаний на основе опыта для самоэволюционирующих LLM-агентов (arXiv:2610.06964v1)
В работе представлен SAGA — фреймворк, который последовательно переводит траектории взаимодействий LLM-агента в иерархическую память (эпизодические описания, повторно используемые процедуры и принципы с условиями применимости), связанные с доказательной информацией исполнения. Извлекаемые принципы инстанцируются в задачно-специфические указания для уточнения действий, создавая петлю обратной связи и улучшая результаты на бенчмарках ScienceWorld и ALFWorld; абляции подчёркивают важность контекстной инстанциации и регулирования действий.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В работе представлен SAGA — фреймворк, который последовательно переводит траектории взаимодействий LLM-агента в иерархическую память (эпизодические описания, повторно используемые процедуры и принципы с условиями применимости), связанные с доказательной информацией исполнения.
- Извлекаемые принципы инстанцируются в задачно-специфические указания для уточнения действий, создавая петлю обратной связи и улучшая результаты на бенчмарках ScienceWorld и ALFWorld; абляции подчёркивают важность контекстной инстанциации и регулирования действий.
- SAGA важна потому, что предлагает безпараметрический способ накопления и обобщения опыта LLM-агентами в виде повторно используемых принципов, позволяя непрерывную адаптацию для закрытых или больших моделей без дообучения.
ПОЧЕМУ ЭТО ВАЖНО
SAGA важна потому, что предлагает безпараметрический способ накопления и обобщения опыта LLM-агентами в виде повторно используемых принципов, позволяя непрерывную адаптацию для закрытых или больших моделей без дообучения.