GraphSkillEvo: ottimizzazione evolutiva delle abilità strutturate in forma di grafo

Abstract degli autori

Le abilità possono migliorare le prestazioni degli agenti basati su modelli linguistici di grandi dimensioni (LLM), fornendo indicazioni procedurali specifiche per ciascun compito; la loro ottimizzazione ne migliora ulteriormente l’efficacia attraverso un perfezionamento iterativo. Tuttavia, i metodi di ottimizzazione delle abilità esistenti le rappresentano in genere come istruzioni non strutturate in linguaggio naturale, dando origine a due sfide principali: 1) spesso le abilità non strutturate sono prive di indicazioni esplicite sul flusso di lavoro e contengono notevoli ridondanze, il che le rende difficili da eseguire per gli LLM; 2) l’ampio spazio di ricerca delle abilità in linguaggio naturale senza vincoli rende inefficace la loro ottimizzazione. Per affrontare queste sfide, proponiamo di rappresentare le abilità come artefatti in linguaggio naturale strutturati in forma di grafo. In queste abilità, ogni nodo rappresenta una fase di esecuzione insieme alle relative indicazioni operative, mentre gli archi orientati codificano le transizioni tra le fasi in funzione del contesto. Rispetto alle abilità non strutturate, quelle strutturate in forma di grafo possono fornire indicazioni chiare sul flusso di lavoro. Inoltre, la struttura proposta può agevolare anche l’ottimizzazione delle abilità. Sulla base di questa rappresentazione strutturata, presentiamo GraphSkillEvo, un framework di ottimizzazione evolutiva basato su una popolazione, con operatori di mutazione e crossover per le abilità strutturate in forma di grafo. Mantenendo più abilità candidate e combinando i componenti più efficaci, GraphSkillEvo consente di esplorare lo spazio delle abilità strutturate in modo più ampio e completo rispetto al solo auto-raffinamento iterativo basato sugli LLM. Esperimenti estesi su cinque benchmark per agenti dimostrano che GraphSkillEvo supera costantemente il solido metodo di riferimento per l’ottimizzazione delle abilità SkillOpt, migliorando l’accuratezza media del 4,01% su GPT-5.4-nano e dell’1,76% su GPT-5.4. Il nostro codice è disponibile all’indirizzo https://github.com/ruisun7/GraphSkillEvo.