Harness per agenti autoevolutivo

Abstract degli autori

L’autoevoluzione dell’harness modifica l’infrastruttura software di un agente, inclusi prompt, memoria, flussi di lavoro e componenti eseguibili, mantenendo fissi i pesi del modello. Formalizziamo un processo guidato dal feedback in cui le revisioni accettate persistono tra un’esecuzione e l’altra. Il quadro distingue gli elementi da aggiornare dai meccanismi di proposta e ammissione. Distingue inoltre le modifiche allo stato interpretato dalle revisioni di strumenti e codice, della logica di controllo a livello di repository e della composizione dei plugin. Descriviamo la ricerca attraverso l’ottimizzazione evolutiva e ne esaminiamo l’affidabilità mediante l’apprendimento PAC continuo. Sotto ipotesi esplicite, l’analisi fornisce un limite atteso di generalizzazione, un limite di conservazione condizionato ai budget storici di regressione e una regola di ammissione ad alta probabilità basata su dati di validazione nuovi e indipendenti. Esaminiamo come le revisioni persistenti dell’harness incidano sulla condivisione delle conoscenze e sui flussi di lavoro delle organizzazioni, con implicazioni per l’affidabilità scientifica, la sicurezza fisica e la responsabilità istituzionale. Casi tratti da lavori precedenti illustrano la co-progettazione di modello e harness, l’esecuzione distribuita e il riutilizzo dei plugin. Un’implementazione affidabile richiede una validazione continua man mano che cambiano la distribuzione dei compiti e i valutatori, con misure di salvaguardia indipendenti per l’apprendimento, i privilegi in fase di esecuzione e le azioni dalle conseguenze rilevanti. Offriamo una trattazione completa di 66 pagine su lavori correlati, teoria, algoritmi, valutazione, applicazioni e impatto più ampio di Harness RSI, insieme a codice e materiali supplementari aggiornati continuamente, all’indirizzo https://github.com/zgcagi/Harness-RSI.