RSIAgent: esplorazione autonoma per l’auto-miglioramento ricorsivo in nuovi ambienti

Abstract degli autori

Gli agenti digitali devono spesso adattarsi a nuovi ambienti le cui interfacce, i cui strumenti e le cui modalità di errore non sono pienamente rappresentati nei modelli preaddestrati. Presentiamo \textbf{RSIAgent}, un framework multiagente che non richiede addestramento e consente l’auto-miglioramento ricorsivo attraverso la costruzione autonoma di una memoria. RSIAgent coordina agenti incaricati del curriculum, dell’esecuzione e della verifica per esplorare continuamente l’ambiente, verificare i risultati e conservare conoscenze specifiche dell’ambiente, comprese relazioni causali riutilizzabili tra azioni, condizioni e conseguenze. Adotta inoltre una strategia di esplorazione \textbf{prima ampia, poi approfondita}: combina un’autoesplorazione ricorsiva ampia e parallela, per scoprire diverse strutture dell’ambiente, con un’autoesplorazione approfondita e mirata, per individuare casi difficili, vincoli nascosti, condizioni limite e dipendenze causali precedentemente sconosciute. La memoria così ottenuta viene congelata e può essere riutilizzata direttamente per compiti successivi senza aggiornare i parametri del modello. Gli esperimenti su OSWorld-v2 e Agent’s Last Exam mostrano che RSIAgent migliora sensibilmente le prestazioni di modelli open source già validi, consentendo a Kimi-K3 e GLM-5.3 di superare modelli a codice chiuso all’avanguardia, tra cui GPT-6.