PREPING: Building Agent Memory without Tasks
Dieser Beitrag stellt Preping vor, ein Framework, das Agenten ermöglicht, prozedurales Gedächtnis aufzubauen, bevor sie auf Zielaufgaben treffen, indem sie eine proposer-gesteuerte Schleife nutzen, um hochwertige synthetische Übungs-Trajektorien zu generieren und selektiv zu speichern, wodurch die Cold-Start-Lücke mit deutlich geringeren Bereitstellungskosten als bei der Online-Gedächtniserstellung überwunden wird.
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 stellen einen neuen Mitarbeiter ein, der Ihr digitales Leben verwaltet. Er ist unglaublich intelligent (eine leistungsfähige KI), hat aber Ihre spezifischen Apps, Tools oder Regeln noch nie gesehen.
Das Problem: Die „Cold Start"-Lücke
Normalerweise tun Sie beim Einstellen eines Mitarbeiters entweder Folgendes:
- Schulung im Voraus (Offline): Sie geben ihm ein dickes Handbuch mit bisher erfolgreichen Aufgaben. Doch wenn Sie eine brandneue App starten, existiert dieses Handbuch noch nicht.
- Schulung während der Arbeit (Online): Sie lassen ihn sofort anfangen zu arbeiten. Aber am Anfang wird er Fehler machen, scheitern und Sie nerven, während er sich einarbeitet. Dies ist das „Cold Start"-Problem.
Die Arbeit fragt: Können wir diesen Mitarbeiter bevor er je einen echten Kunden sieht schulen, indem wir nur selbst erstellte Übungssitzungen nutzen?
Die Lösung: PREPING (Pre-Task Reusable Playbook Making)
Die Autoren entwickelten ein System namens PREPING. Stellen Sie sich dies als ein simuliertes Trainingslager vor, in dem die KI an Aufgaben übt, die sie sich selbst ausdenkt, jedoch mit einem sehr strengen Coach, der sicherstellt, dass das Training tatsächlich nützlich ist.
So funktioniert das „Trainingslager" mit drei Charakteren:
1. Der Vorschlagende (Der kreative Coach)
Dies ist der Teil der KI, der Übungsaufgaben erfindet.
- Ohne Coach: Wenn Sie einer KI einfach sagen „übe", könnte sie 100-mal dasselbe tun (wie eine Tür öffnen) oder versuchen, Unmögliches zu tun (wie fliegen). Das ist nutzlos.
- Mit PREPING: Der Vorschlagende hat ein Gedächtnis-Notizbuch (Proposer Memory). Es verfolgt, was er bereits geübt hat. Wenn er gerade „Türen öffnen" geübt hat, sagt ihm das Notizbuch: „Okay, versuche jetzt, sie abzuschließen" oder „Versuche den Aufzug zu nutzen". Er überprüft auch eine Karte der Umgebung, um sicherzustellen, dass die Aufgabe tatsächlich möglich ist (z. B. „Fordere die KI nicht auf zu fliegen, wenn das Gebäude kein Dach hat").
- Das Ziel: Eine vielfältige Reihe von Übungsdrills zu erstellen, die alle Tools und Regeln der neuen Umgebung abdecken, ohne sich zu wiederholen.
2. Der Löser (Der Auszubildende)
Dies ist die KI, die tatsächlich die Arbeit verrichtet. Sie versucht, die vom Vorschlagenden erfundenen Aufgaben zu erledigen. Sie schreibt Code, klickt auf Buttons und ruft APIs auf, genau wie für einen echten Benutzer.
3. Der Validierer (Der strenge Inspektor)
Dies ist der wichtigste Teil. Nicht jede Übungssitzung ist gut.
- Manchmal versucht der Auszubildende, etwas Unmögliches zu tun (wie Geld von einer Karte abzuheben, die nicht existiert).
- Der Validierer betrachtet das Ergebnis und sagt: „Stopp. Das war eine gefälschte Aufgabe. Schreib das nicht auf."
- Wenn die Aufgabe echt war und der Auszubildende erfolgreich war, sagt der Validierer: „Toll! Hier ist die gelernte Lektion. Schreib das ins Playbook."
Das Ergebnis: Ein ab Tag eins einsatzbereites „Playbook"
Bis die KI bei echten Benutzern eingesetzt wird, hat sie ein Playbook (ein Gedächtnis an Verfahren) gefüllt mit:
- Wie man verschiedene Tools korrekt kombiniert.
- Was zu tun ist, wenn etwas schiefgeht.
- Welche Tools tatsächlich verfügbar sind.
Warum ist das besser als die alten Methoden?
- Vs. Keine Schulung: Die KI startet nicht bei Null. Sie macht keine peinlichen Fehler bei Ihrer ersten echten Aufgabe.
- Vs. Lernen am Arbeitsplatz: Die KI muss nicht aus Ihren Fehlern lernen. Sie kennt bereits die Schnitte.
- Kosten: Lernen am Arbeitsplatz ist teuer, weil die KI während Ihrer Wartezeit weiter „nachdenken" und „ihren Speicher aktualisieren" muss. PREPING erledigt all diese schwere Arbeit bevor Sie sie einstellen, wodurch die eigentliche Arbeit viel günstiger und schneller wird.
Die Analogie auf den Punkt gebracht
Stellen Sie sich einen Piloten vor.
- Alte Methode: Sie lassen ihn zum ersten Mal ein echtes Flugzeug mit Passagieren fliegen, um die Steuerung zu lernen. (Gefährlich und langsam).
- PREPING-Methode: Sie setzen ihn in einen Flugsimulator. Ein intelligenter Instructor (Vorschlagender) gibt ihm spezifische Szenarien (bewölkter Tag, Motorschaden, neuer Flughafen). Ein Sicherheitsbeamter (Validierer) stoppt ihn, wenn er versucht, in einen Berg zu fliegen. Bis er in das echte Cockpit steigt, hat er eine mentale Checkliste (Gedächtnis) darüber, wie man alles handhabt, und ist sofort flugbereit.
Die Erkenntnisse der Arbeit
Die Autoren testeten dies in drei verschiedenen „digitalen Welten" (Verwalten von Apps, Aufrufen von Funktionen und Nutzen von Server-Tools). Sie stellten fest, dass:
- PREPING eine viel intelligentere KI schuf als nur das Lesen eines Handbuchs oder Raten.
- Sie fast genauso gut performte wie eine KI, die an tausenden echten menschlichen Aufgaben trainiert worden war, obwohl sie null echte menschliche Aufgaben gesehen hatte.
- Es Geld und Zeit sparte, weil die KI nicht „lernen" musste, während sie für Sie arbeitete.
Kurz gesagt: PREPING lehrt eine KI, bevor sie je einen Kunden trifft, ein Profi zu sein, indem sie intelligent übt und schlechtes Üben herausfiltert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.