Skill$^{\infty}$: auto-miglioramento ricorsivo per l’ottimizzazione delle skill degli agenti

Abstract degli autori

L’auto-miglioramento ricorsivo (RSI), in cui un sistema migliora anche il modo in cui migliora sé stesso, è un obiettivo perseguito da tempo nel percorso verso l’AGI. Gli agenti linguistici conservano sempre più spesso le conoscenze procedurali in skill riutilizzabili. Ottimizzare le skill offre una via diretta all’RSI, perché la procedura di ottimizzazione può essere a sua volta codificata come skill. Gli attuali sistemi di ottimizzazione delle skill, tuttavia, seguono una procedura progettata manualmente. Persino i metodi che fanno evolvere una meta-skill la confinano in una pipeline fissa e la riapprendono per ogni compito. Presentiamo Skill$^{\infty}$, che rende l’ottimizzazione delle skill capace di migliorare ricorsivamente sé stessa: un meta-agente segue una meta-skill per ottimizzare le skill dei compiti e ottimizza la meta-skill stessa usando la medesima procedura. L’ottimizzazione è guidata dall’agente. Il meta-agente esamina le tracce di esecuzione per individuare i problemi, propone soluzioni candidate, richiede valutazioni indipendenti e distribuisce il budget di ricerca. La meta-skill definisce questi passaggi, consentendo all’auto-miglioramento di riscriverli. Questa meta-skill è inoltre separata dalle skill dei compiti: viene perfezionata su più compiti di ottimizzazione delle skill e poi riutilizzata per ottimizzare le skill dei compiti in ambiti diversi. Come nella fase di utilizzo, le skill di entrambi i livelli sono pacchetti standard caricati tramite il meccanismo nativo di individuazione delle skill. Su 83 compiti di SkillsBench, Skill$^{\infty}$ raggiunge un tasso di superamento del 60,7%, contro il 56,4% delle skill selezionate da esseri umani e il 54,5% di SkillEvolver.