Grafo di coerenza adattivo per agenti che operano su orizzonti lunghi

Abstract degli autori

Gli agenti basati su modelli linguistici di grandi dimensioni riescono spesso a prendere decisioni locali ragionevoli nei compiti brevi, ma le loro prestazioni peggiorano quando il successo richiede lunghe sequenze di azioni dipendenti l’una dall’altra e di chiamate agli strumenti. Durante l’esecuzione, i requisiti del compito, le evidenze raccolte in precedenza e lo stato attuale dell’esecuzione possono perdere gradualmente il collegamento tra loro, così le decisioni successive rischiano di allontanarsi dall’obiettivo iniziale. Studiamo questo problema introducendo Adaptive Consistency Graph (ACG) per l’esecuzione su orizzonti lunghi. ACG organizza progressivamente in un grafo persistente le evidenze dell’esecuzione e la loro provenienza, quindi costruisce per ogni decisione una vista temporanea incentrata sui requisiti, entro i limiti del budget di contesto. Anziché sostituire il pianificatore o l’esecutore degli strumenti dell’agente di base, ACG fornisce per ogni decisione una vista strutturata e tracciabile del contesto. Nella valutazione a parità di condizioni, ACG porta il tasso medio di successo di GPT-5.6-luna dal 44,5\% con ReAct al 50,2\%, con il miglioramento maggiore su BrowseComp-Plus (73,5\% contro 62,4\%). Analizziamo inoltre la struttura delle traiettorie e il costo dell’inferenza per caratterizzare questo miglioramento.