Che cosa rende validi i dati agentici? Una prospettiva ACE sulla generazione di dati per agenti basati su LLM

Abstract degli autori

Gli agenti basati su LLM si affidano sempre più a dati di interazione generati per imparare a interagire con ambienti esterni. La generazione di dati agentici deve mantenere la coerenza tra ambienti, compiti, interazioni e segnali di successo, producendo esperienze utili, non soltanto abbondanti. Gli studi esistenti coprono molti ambiti applicativi degli agenti, ma l’organizzazione per domini e la disomogeneità delle valutazioni spesso nascondono i meccanismi di generazione comuni e confondono la costruzione dei dati candidati con la loro verifica e selezione. Questo lavoro sviluppa un quadro a due livelli per il settore. In primo luogo, rappresentiamo i dati agentici come un oggetto comune scomposto in fattori, $(E,q,τ,v)$, che comprende una specifica dell’ambiente, un segnale del compito, una realizzazione dell’interazione e un verificatore facoltativo. Organizziamo i paradigmi di generazione in base al loro ancoraggio principale e alla struttura delle dipendenze. In secondo luogo, formuliamo la generazione come progettazione vincolata della distribuzione attraverso la prospettiva Accuracy-Complexity-divErsity (ACE). L’accuratezza definisce il supporto ammissibile dei dati fondati nell’ambiente e internamente coerenti. All’interno di questo supporto, la complessità colloca la massa destinata all’apprendimento in relazione alle capacità del sistema di apprendimento dichiarato e alla configurazione di esecuzione, mentre la diversità controlla la copertura e la ridondanza dei dati. Con questo quadro esaminiamo come gli studi precedenti verifichino le esperienze generate, costruiscano e calibrino la difficoltà e amplino la copertura dei comportamenti. La letteratura mostra uno spostamento verso un’accuratezza fondata sull’esecuzione, una complessità relativa al sistema che apprende e una diversità che va oltre le variazioni superficiali o le dimensioni del dataset. Esaminiamo inoltre, attraverso la prospettiva ACE, direzioni più ampie e tendenze emergenti nella generazione di dati agentici, comprese le loro implicazioni per la scalabilità, le fonti dei dati, i regimi di addestramento e l’apprendimento adattivo. Nel complesso, la sfida centrale non è semplicemente generare più dati, ma assegnare continuamente esperienze valide, informative e non ridondanti man mano che gli agenti e gli ambienti evolvono.