AutoAgent: Evolving Cognition and Elastic Memory Orchestration for Adaptive Agents

Die Arbeit stellt AutoAgent vor, ein selbstentwickelndes Multi-Agenten-Framework, das durch die Kombination von sich entwickelnder Kognition, kontextsensitiver Entscheidungsfindung und elastischer Orchestrierung des Speichers die Anpassungsfähigkeit autonomer Agenten in dynamischen Umgebungen verbessert, ohne dass ein externes Nachtrainieren erforderlich ist.

Das Wesentliche

Stellen Sie sich einen extrem klugen, aber etwas starren Assistenten vor. Er kann alles, was in seinem Handbuch steht, perfekt ausführen. Aber wenn sich die Welt ändert, ein Werkzeug kaputtgeht oder ein neuer Kollege hinzukommt, der eigentlich besser ist als der alte, bleibt er stur bei seinem alten Plan. Er lernt nicht wirklich aus seinen Fehlern.

Das ist das Problem, das die Forscher mit AutoAgent lösen wollen.

Stellen Sie sich AutoAgent nicht als einen starren Roboter vor, sondern als einen lebendigen, lernenden Teamleiter, der drei superkräfte besitzt, um sich ständig zu verbessern. Hier ist die Erklärung in einfachen Worten:

1. Der lernende Kopf: "Evolving Cognition" (Sich entwickelndes Denken)

Stellen Sie sich vor, Sie haben ein Handbuch über Ihre Werkzeuge (z. B. wie man Google benutzt oder wie man Code schreibt).

• Der alte Weg: Das Handbuch ist in Stein gemeißelt. Wenn Sie merken, dass eine Suchmaschine manchmal schlechte Ergebnisse liefert, steht das nicht im Handbuch. Sie machen den Fehler immer wieder.
• Der AutoAgent-Weg: Das Handbuch ist ein lebendiges Notizbuch. Wenn AutoAgent merkt: "Hey, diese Suchmaschine funktioniert heute nicht gut" oder "Mein Kollege Bob ist eigentlich ein Experte für Mathe, nicht für Kunst", schreibt er das sofort in sein Notizbuch.
• Die Analogie: Es ist wie ein Schüler, der nach jedem Test nicht nur die Note sieht, sondern sein Lehrbuch sofort umschreibt, damit er beim nächsten Mal die richtige Antwort weiß. Er lernt aus Erfahrung, ohne dass jemand neues Material schreiben muss.

2. Der flexible Planer: "Contextual Decision-Making" (Entscheidungen im Moment)

Früher mussten Agenten einen starren Plan verfolgen: "Schritt 1, Schritt 2, Schritt 3". Wenn Schritt 2 schiefging, war das ganze Programm hinüber.

• Der AutoAgent-Weg: Er denkt nicht in starren Linien, sondern wie ein Erfahrener Koch in einer Küche.
• Die Analogie: Ein Koch folgt nicht stur einem Rezept, wenn ihm die Zwiebeln ausgehen. Er schaut in den Kühlschrank (den Kontext), prüft, was er hat (seine Fähigkeiten), und entscheidet im Moment: "Okay, ich nehme statt Zwiebeln jetzt Lauch, oder ich rufe den Lieferanten an (einen anderen Agenten)."
• AutoAgent entscheidet in jeder Sekunde neu: "Mache ich das selbst?" (Eigenleistung) oder "Rufe ich Hilfe?" (Zusammenarbeit). Er passt sich dem Moment an, statt stur einem Plan zu folgen.

3. Der ordentliche Archivare: "Elastic Memory Orchestration" (Dehnbares Gedächtnis)

Stellen Sie sich vor, Sie müssten für eine Entscheidung jedes Gespräch, das Sie je geführt haben, Wort für Wort vorlesen. Das wäre chaotisch und langsam.

• Das Problem: Wenn Agenten lange Aufgaben lösen, wird ihr "Gedächtnis" (der Text im Hintergrund) riesig und unübersichtlich.
• Der AutoAgent-Weg: Er hat einen intelligenten Bibliothekar.
• Die Analogie: Wenn Sie eine lange Reise machen, schreiben Sie nicht jeden einzelnen Schritt auf ein riesiges Blatt Papier. Der Bibliothekar fasst zusammen: "Tag 1: Wir sind nach Berlin gefahren." "Tag 2-5: Wir haben das Museum besucht." Wenn Sie später nach etwas Bestimmtem suchen, holt der Bibliothekar nur die relevanten Details aus dem Archiv, statt das ganze Tagebuch vorzulesen.
• Er drückt unnötige Details zusammen (Komprimierung), behält aber die wichtigen Beweise für spätere Entscheidungen. So bleibt der Kopf frei und schnell.

Wie alles zusammenarbeitet: Der Kreislauf des Erfolgs

Das Geniale an AutoAgent ist, wie diese drei Teile zusammenarbeiten, wie ein selbstverbessernder Kreislauf:

1. Handeln: Der Agent trifft eine Entscheidung basierend auf seinem aktuellen Wissen.
2. Erleben: Er führt die Aufgabe aus und sieht, was passiert (Erfolg oder Misserfolg).
3. Ordnen: Der Bibliothekar (Gedächtnis) sortiert die Erfahrung und merkt sich, was wichtig war.
4. Lernen: Der Kopf (Kognition) liest die Erfahrung, erkennt: "Aha, das hat nicht funktioniert, weil..." und schreibt sein Handbuch um.

Das Ergebnis:
AutoAgent wird mit der Zeit besser. Er ist nicht mehr starr wie ein alter Computer, sondern anpassungsfähig wie ein erfahrener Mensch. Er kann komplexe Aufgaben lösen, Werkzeuge effizient nutzen und im Team arbeiten, ohne dass jemand ihn jedes Mal neu programmieren muss. Er lernt einfach durch das Tun.

Kurz gesagt: AutoAgent ist der Unterschied zwischen einem Roboter, der stur einem Rezept folgt, und einem Meisterkoch, der aus jedem Gericht lernt, um das nächste noch besser zu kochen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „AutoAgent: Evolving Cognition and Elastic Memory Orchestration for Adaptive Agents" auf Deutsch:

1. Problemstellung

Bestehende autonome Agenten-Frameworks leiden unter drei miteinander verknüpften Einschränkungen, die ihre Anpassungsfähigkeit in offenen und nicht-stationären Umgebungen begrenzen:

• Statische Kognition: Agenten basieren auf fest codierten, menschlich definierten Prompts für Tools, Fähigkeiten und Kollegen. Diese können nicht durch Erfahrung aktualisiert werden, was zu starren und suboptimalen Entscheidungen führt (z. B. Missbrauch von Tools aufgrund unvollständiger Vorbedingungen).
• Starre Workflows: Die Problemlösungslogik ist oft an vordefinierte, lineare Abläufe gebunden. Agenten können sich schlecht an unerwartete Ergebnisse oder neue Kontexte anpassen.
• Ineffizientes Kontext- und Speichermanagement: Bestehende Systeme fügen Interaktionshistorie oft als rohen Text an den Prompt an. Dies führt zu Token-Redundanz, verlangsamter Argumentation und Schwierigkeiten, relevante Informationen aus langen Historien zu extrahieren. Es fehlt an Mechanismen, um Erfahrungen in strukturiertes Wissen (episodisches Gedächtnis, wiederverwendbare Fähigkeiten) zu überführen.

2. Methodik: Das AutoAgent-Framework

AutoAgent ist ein sich selbst entwickelndes Multi-Agenten-Framework, das auf drei eng gekoppelten Komponenten und einem geschlossenen Evolutionskreislauf basiert.

A. Evolving Cognition (Entwickelnde Kognition)

Die Kognition wird als expliziter, aktualisierbarer Zustand des Agenten modelliert und in zwei Facetten unterteilt:

• Interne Kognition: Beinhaltet funktionales Wissen über Tools und die eigenen Fähigkeiten (Skills). Dies geht über statische API-Signaturen hinaus und umfasst gelernte Vorbedingungen, Fehlermuster und Erfolgsbeispiele.
• Externe Kognition: Modelliert andere Agenten (Peers) und die Umgebung. Sie entwickelt sich dynamisch durch Interaktion, um Zuverlässigkeit, Expertise und Antwortmuster von Kollegen zu erfassen.

B. Contextual Decision-Making (Kontextuelle Entscheidungsfindung)

Anstatt starre Pläne zu befolgen, trifft der Agent Entscheidungen in einem iterativen Zyklus (Select-Execute-Update):

• Der Agent wählt basierend auf dem aktuellen Kontext und seiner Kognition die nächste Aktion aus einem einheitlichen Aktionsraum.
• Emic Actions: Selbstgesteuerte Problemlösung (eigene Generierung, Tool-Nutzung basierend auf internem Wissen).
• Etic Actions: Strategische Hilfesuche oder Zusammenarbeit mit externen Agenten, gesteuert durch die externe Kognition.

C. Elastic Memory Orchestration (Elastische Speicher-Orchestrierung)

Um die Effizienz bei langen Aufgabenketten zu gewährleisten, organisiert der Elastic Memory Orchestrator (EMO) die Interaktionshistorie dynamisch:

• Selektive Kompression: Nach jedem Schritt wird eine detaillierte Rohaufzeichnung (Raw Record) und eine komprimierte Zusammenfassung (Abstract) erstellt.
• Dynamische Rekonstruktion: Vor jedem neuen Schritt entscheidet ein Selektor, welche Historie-Teile als Rohdaten, als Zusammenfassung oder gar nicht benötigt werden.
• Episodische Abstraktion: Zusammenhängende Sequenzen von Schritten werden zu „Episoden" zusammengefasst, die als wiederverwendbare Fähigkeiten (Skills) in die interne Kognition übernommen werden können.

D. Cognitive Self-Evolution (Kognitive Selbstentwicklung)

Dies ist der geschlossene Lernkreislauf:

• Der Cognitive Evolution Module analysiert Trajektorien (Absicht vs. Ergebnis).
• Basierend auf Feedback werden die Beschreibungen in der Kognition (z. B. Tool-Vorbedingungen oder Peer-Profile) explizit aktualisiert, ohne das zugrunde liegende LLM neu zu trainieren.
• Erfolgreiche Aktionssequenzen werden zu neuen, zusammengesetzten Aktionen (Composite Actions) synthetisiert.

3. Schlüsselbeiträge

1. Lernbarer Agentenzustand: Einführung einer strukturierten, dualen Kognition (intern/extern), die sich durch Erfahrung kontinuierlich verfeinert und statische Prompts ersetzt.
2. Einheitlicher Rahmen für kontextuelle Entscheidungen: Vereinheitlichung von selbstgesteuerten (Emic) und hilfesuchenden (Etic) Aktionen in einem einzigen Entscheidungsraum, der starre Workflows durch adaptive, momentane Entscheidungen ersetzt.
3. Elastische Speicher-Orchestrierung: Ein Mechanismus, der Historie dynamisch komprimiert, Episoden zusammenfasst und Fähigkeiten destilliert, um Token-Kosten zu senken und die Argumentationsqualität zu erhöhen.
4. Geschlossener Evolutionskreislauf: Ein System, das aus Handlungsergebnissen lernt, um Kognition und Speicherstrategien ohne externe Neukalibrierung zu verbessern.

4. Ergebnisse

Das Framework wurde umfassend an Benchmarks für Retrieval-Augmented Generation (RAG), Tool-Nutzung und embodied tasks evaluiert:

• RAG-Benchmarks (HotpotQA, 2WikiMultihopQA, Bamboogle, Musique): AutoAgent erreichte auf drei von vier Benchmarks neue State-of-the-Art-Ergebnisse. Auf HotpotQA erzielte es eine Genauigkeit von 53,0 % (gegenüber 43,4 % beim zweitbesten IRCoT).
• Tool-Augmented Benchmarks (GAIA, HLE-Bench, ALFWorld):
  • Auf geschlossenen Modellen (z. B. Gemini-3-Pro) übertraf AutoAgent den starken Baseline DeepAgent um bis zu 29,7 Prozentpunkte (52,7 % vs. 23,0 % auf GAIA).
  • Auf Open-Source-Modellen (DeepSeek-R1, QwQ, Qwen) zeigte es ebenfalls konsistente Verbesserungen gegenüber ReAct und DeepAgent.
  • In ALFWorld wurden Erfolgsraten von bis zu 99,3 % erreicht.
• Ablationsstudien:
  • Der Elastic Memory Orchestrator allein führte zu signifikanten Verbesserungen in GAIA und HLE.
  • Unter simulierter Tool-Instabilität (50 % Ausfallrate) konnte sich AutoAgent durch kognitive Evolution anpassen und die Erfolgsrate bei Python-Code-Generierung von 24 % auf 36 % steigern.

5. Bedeutung und Ausblick

AutoAgent stellt einen Paradigmenwechsel dar: Weg von statischen, menschlich definierten Agenten hin zu Systemen, die selbstkorrigierend und lernfähig sind.

• Praktische Relevanz: Das Framework ermöglicht Agenten, in dynamischen Umgebungen zuverlässig zu arbeiten, indem es die Lücke zwischen langfristiger Erfahrung und Echtzeit-Entscheidungen schließt.
• Effizienz: Durch elastische Speicherverwaltung wird die Token-Nutzung optimiert, was lange Aufgabenketten erst kosteneffizient macht.
• Zukunft: Die Autoren planen die Integration von Verifier-Feedback, die Skalierung auf dezentrale Agentengesellschaften und den Einsatz in realen Unternehmens- und Wissenschaftsumgebungen.

Zusammenfassend bietet AutoAgent eine einheitliche und praktische Grundlage für adaptive autonome Agenten, die nicht nur kontextbewusste Entscheidungen treffen, sondern auch aus jeder Interaktion lernen, um ihre Autonomie und Robustheit stetig zu steigern. Der Code ist unter https://github.com/vicFigure/AutoAgent verfügbar.