자기이행 자기진화 에이전트를 위한 홀드아웃 선택

대규모 언어 모델 에이전트들은 무게 업데이트를 거치지 않고 자연어 조각을 통해 개선되고 있다. 자연어 조각은 반사, 업무 흐름, 작업 지침서, 도움말, 또는 최적화된 입력과 같은 것들이며, 고정된 정책을 조건화한다. 이러한 방법들은 일반적으로 단일 평가 기준에서만 도움이 된다는 점을 보고한다. 우리는 이러한 방법들을 하나하나 비교하고 더 명확한 그림을 드러내려고 한다.

자기 진화 에이전트

자기 진화 에이전트를 제안한다. 자기 진화 에이전트는 임계 전략, 재사용 가능한 기술, 그리고 절차적 작업 지침서로 구성된 밀접한 세 층의 자연어 상태를 가지고 있다. 여러 세대에 걸쳐, 자기 진화 에이전트는 자신의 경로를 통해 세 층 모두를 다시 작성하고, 분리된 테스트 세트에서 회귀하지 않는 후보만을 선택한다. 또한, 엄격한 유지-개선 문을 사용한다. 여러 가지 다양한 평가 기준과 기준점을 평가한 결과, 세 가지 주요 결과를 발견했다. 첫째, 자연어 조각이 전반적으로 우수하지 않다. 자기 진화 에이전트는 에이엘에프 월드에서 가장 강력한 단일 패스 방법이며, 69.3%의 성능을 나타냈고, 리액트에서 64.6%보다 더 높은 성능을 나타냈다. 둘째, 안전하지 않은 고정된 상황 발전에 높은 변동성을 보인다. 셋째, 자기 진화 에이전트의 엄격한 분리 선택이 자기 진화를 단조로운 안전성으로 만든다. 자기 진화 에이전트는 모든 평가 기준에서 기준 에이전트보다 지속적으로 저성능을 나타내지 않고, 진화된 상황이 해를 끼칠 경우, 기본 리액트로 돌아간다. 이러한 결과들은 자기 진화 에이전트가 효과적인 에이전트임을 보여준다.