SEW: Self-Evolving Agentic Workflows for Automated Code Generation
Die Arbeit stellt SEW vor, ein neuartiges selbst-evolvierendes Framework, das automatisch Multi-Agenten-Workflows für die Code-Generierung entwirft und optimiert, wodurch sich im Vergleich zu reinen Sprachmodellen bis zu 12 % Leistungssteigerung auf Benchmarks wie LiveCodeBench erzielen lassen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie wollen ein riesiges, komplexes Haus bauen.
Das Problem: Der einsame Baumeister
Bisher haben wir versucht, künstliche Intelligenzen (LLMs) wie einen einzigen, genialen Baumeister einzusetzen, der den ganzen Plan von Anfang bis Ende im Kopf behält.
- Das Problem: Wenn das Haus sehr kompliziert wird (viele Etagen, schiefe Wände, spezielle Elektrik), wird dieser eine Baumeister überfordert. Er macht Fehler, vergisst Details oder baut die Treppe falsch.
- Die aktuelle Lösung: Forscher haben versucht, ein Team aus mehreren Robotern zu bilden. Aber hier liegt der Haken: Ein menschlicher Chef hat das Team von Hand zusammengestellt. Er hat gesagt: „Du, Roboter A, machst das Fundament. Du, Roboter B, machst die Wände." Und er hat jedem Roboter eine feste Anleitung (einen Prompt) in die Hand gedrückt.
- Der Nachteil: Diese manuellen Teams funktionieren gut für ein Einfamilienhaus, scheitern aber oft, wenn man ein Wolkenkratzer bauen muss. Man müsste für jedes neue Bauprojekt das ganze Team und alle Anleitungen mühsam neu von Hand schreiben. Das ist ineffizient und starr.
Die Lösung: SEW (Selbst-entwickelnde Arbeitsabläufe)
Die Autoren dieses Papiers haben eine neue Methode namens SEW entwickelt. Man kann sich SEW wie einen unermüdlichen, selbstlernenden Teamleiter vorstellen, der nicht nur das Team aufstellt, sondern es auch ständig verbessert – ohne dass ein Mensch dazwischenfunkt.
Hier ist, wie SEW funktioniert, in drei einfachen Schritten:
1. Der erste Entwurf (Workflow-Generierung)
Statt ein Team von Hand zu bauen, sagt SEW der KI: „Hier ist die Aufgabe (z. B. 'Baue ein Haus'). Erfinde selbst, wie ein Team von Robotern das am besten macht."
Die KI erstellt einen ersten Plan. Aber wie schreibt man diesen Plan auf?
- Die Forscher haben 5 verschiedene „Sprachen" getestet, um diesen Plan zu beschreiben: wie ein Fließband-Schema (BPMN), wie Python-Code, wie eine YAML-Liste (eine Art Checkliste), wie Pseudo-Code (grob skizzierte Anweisungen) oder wie CoRE (eine Mischung aus Sprache und Code).
- Das Ergebnis: Sie fanden heraus, dass CoRE die beste „Sprache" ist. Es ist wie eine Mischung aus einer klaren Bauanleitung und einem Computerprogramm, die die KI am leichtesten versteht und verändert.
2. Das Team wird umgebaut (Workflow-Evolution)
Jetzt kommt der spannende Teil: SEW nimmt diesen ersten Plan und sagt: „Das sieht okay aus, aber wir können es besser machen."
- Es probiert aus, Roboter hinzuzufügen, wegzunehmen oder die Reihenfolge zu ändern.
- Beispiel: Vielleicht war der erste Plan: „Roboter A baut Wände -> Roboter B streicht." SEW denkt sich: „Moment, wenn wir einen Roboter C dazwischen schalten, der die Wände prüft, bevor B streicht, wird das Ergebnis viel besser!"
- Dieser Prozess läuft automatisch ab. Die KI „evolutioniert" den Plan, bis er logisch sinnvoll ist.
3. Die Anweisungen werden geschärft (Agent-Evolution)
Nicht nur die Reihenfolge der Roboter wird geändert, auch deren persönliche Anweisungen (Prompts) werden verbessert.
- Direkte Evolution: Die KI nimmt die alte Anweisung eines Roboters und sagt: „Versuche, das noch kreativer zu formulieren."
- Hyper-Evolution: Das ist noch cleverer. Die KI denkt sich erst eine neue Anweisung für den anderen Roboter aus, wie man die Anweisung verbessern könnte, und wendet diese dann an.
- Vergleich: Stellen Sie sich vor, ein Roboter sagt: „Ich bin ein Programmierer." SEW verbessert das zu: „Du bist ein Meister-Programmierer, der Fehler liebt und sie sofort ausmerzt, bevor sie entstehen."
Das Ergebnis: Ein sich selbst verbesserndes Team
Am Ende hat SEW ein Team, das:
- Automatisch für die spezifische Aufgabe zusammengestellt wurde.
- Die perfekte Reihenfolge der Arbeitsschritte gefunden hat.
- Jeder Roboter hat perfekt abgestimmte, kreative Anweisungen, die genau auf diese Aufgabe zugeschnitten sind.
Der Vergleich:
- Alte Methode: Ein Chef stellt ein Team auf und gibt ihnen eine starre Anleitung. Wenn die Aufgabe schwer wird, versagt das Team.
- SEW: Ein Team, das sich selbst rekrutiert, sich selbst organisiert und sich selbst trainiert, bis es die Aufgabe perfekt meistert.
Was haben die Tests gezeigt?
Die Forscher haben SEW an drei großen „Baustellen" (Datensätzen) getestet, darunter eine sehr schwierige, die „LiveCodeBench" heißt.
- Das Ergebnis: SEW war deutlich besser als ein einzelner, starker Roboter (der allein nur 52% der Aufgaben löste). Mit SEW schaffte das Team bis zu 64% (eine Steigerung von 12%).
- Wichtig: Es war sogar besser als andere fortschrittliche Methoden, die versuchen, Teams automatisch zu bauen.
Zusammenfassung in einem Satz
SEW ist wie ein digitaler Darwinismus für KI-Teams: Anstatt dass Menschen mühsam Anleitungen schreiben, lässt man die KI Teams bilden, diese Teams gegeneinander antreten lassen und die Gewinner ständig weiterentwickeln, bis sie die perfekte Lösung für ein Programmierproblem gefunden haben.
Die große Erkenntnis: Die Art und Weise, wie man den Plan für das Team aufschreibt (die „Sprache"), ist genauso wichtig wie das Team selbst. Und die beste Sprache dafür ist eine Mischung aus Code und natürlicher Sprache (CoRE).
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.