Recursive Agent Harnesses
Dieses Paper stellt das Recursive Agent Harness (RAH) vor, ein Code-fokussiertes Framework, bei dem Parent-Agenten parallele Subagent-Harnesses mit Dateisystem- und Ausführungswerkzeugen erzeugen, was bei der Evaluierung mit festen und stärkeren Backbone-Modellen signifikante Verbesserungen bei Long-Context-Reasoning- und Coding-Aufgaben gegenüber traditionellen Modell-Rekursions-Baselines demonstriert.
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 besitzen eine riesige Bibliothek mit Millionen von Büchern und müssen in jedem einzelnen Buch eine ganz bestimmte Tatsache finden.
Der alte Weg: Der überarbeitete Bibliothekar
Früher versuchte eine intelligente KI (ein „Coding Agent“), dies wie ein superschneller Bibliothekar anzugehen. Sie scannte die Bücher mithilfe einfacher Regeln (wie der Suche nach bestimmten Schlüsselwörtern), um Antworten zu finden. Da die Bibliothek jedoch so gewaltig war, konnte der Bibliothekar nur wenige Bücher gleichzeitig in den Händen halten. Er musste das Lesen des eigentlichen Textes der meisten Bücher überspringen und sich stattdessen auf diese einfachen Regeln verlassen. Wenn die Antwort tiefgründiges Denken über eine bestimmte Seite erforderte, übersah der Bibliothekar sie.
Der Weg der „Modell-Rekursion“: Die Kette des Denkens
Ein anderer Ansatz, genannt „Recursive Language Models“ (RLMs), versuchte dieses Problem zu lösen, indem die Bibliothek in kleinere Stapel unterteilt wurde. Die KI dachte über einen Stapel nach, dann über den nächsten, dann über den nächsten – in einer langen Kette des Denkens. Diese KI ist jedoch wie ein Bibliothekar, dem es verboten ist, die Bücher auch nur zu berühren. Sie kann nur über den Text nachdenken, der ihr gegeben wird, kann aber keine Dateien öffnen, Werkzeuge benutzen oder eine Lupe verwenden. Sie ist klug, aber hilflos, ohne die tatsächlichen Werkzeuge, um mit den Dokumenten zu interagieren.
Der neue Weg: Das „Recursive Agent Harness“ (RAH)
Dieses Paper stellt eine neue Strategie namens Recursive Agent Harness (RAH) vor.
Betrachten Sie RAH nicht als einen einzelnen Bibliothekar, sondern als einen Hauptunternehmer, der ein ganzes Team für den Job zusammenstellt.
- Der Masterplan: Die Haupt-KI (das Elternmodell) betrachtet die riesige Bibliothek und erkennt: „Ich kann das nicht alleine schaffen, und ich kann nicht nur darüber nachdenken.“
- Das Schreiben des Skripts: Anstatt die Arbeit selbst auszuführen, schreibt das Elternmodell ein Computerprogramm (ein Skript). Dieses Skript ist wie eine Reihe von Anweisungen, die besagt: „Stelle für jedes einzelne Buch in dieser Bibliothek einen neuen, voll ausgestatteten Assistenten ein.“
- Die Sub-Teams: Das Skript läuft ab und erschafft augenblicklich hunderte von Sub-Agenten. Entscheidend ist, dass jeder dieser Sub-Agenten ein vollwertiger Arbeiter ist. Er hat seinen eigenen Schreibtisch, seine eigenen Werkzeuge (wie Dateibetrachter, Suchmaschinen und Code-Exekutoren) und sein eigenes Kontextfenster (seinen eigenen mentalen Raum).
- Parallele Arbeit: Während der alte Bibliothekar nur ein Buch nach dem anderen betrachten konnte und die „Chain-of-Thought“-KI nur über einen Stapel nachdenken konnte, schickt RAH tausende dieser voll ausgestatteten Assistenten los, die gleichzeitig an ihren jeweiligen Büchern arbeiten.
- Das Ergebnis: Jeder Assistent liest sein spezifisches Buch, nutzt seine Werkzeuge, um die Antwort zu finden, und schreibt das Ergebnis auf. Das Elternmodell sammelt dann alle Antworten ein.
Die Analogie des „Werkzeugkastens“
Der entscheidende Unterschied ist der Werkzeugkasten.
- Der Coding Agent besitzt einen Werkzeugkasten, kann aber nur wenige Bücher gleichzeitig betrachten.
- Die RLM besitzt ein riesiges Gehirn, aber keinen Werkzeugkasten; sie kann die Dateien nicht öffnen.
- RAH gibt jedem einzelnen Arbeiter seinen eigenen, vollständigen Werkzeugkasten und lässt sie parallel arbeiten.
Was das Paper herausfand
Die Forscher testeten dies mit einem sehr schwierigen Test namens „Oolong“, bei dem es darum geht, Antworten in Dokumenten zu finden, die so lang wie 4 Millionen Wörter sind (etwa so groß wie ein kleiner Roman, aber mit tausenden von Einträgen).
- Sie verwendeten für alle Tests dasselbe „Gehirn“ (GPT-5), um einen fairen Vergleich zu gewährleisten.
- Der alte „Coding Agent“ kam auf etwa 72 % korrekt.
- Die „Modell-Rekursion“ (oh der Werkzeuge) kam auf etwa 64 % korrekt.
- Die neue RAH-Methode erreichte 81 %.
Das Fazit
Das Paper behauptet, dass die Verbesserung nicht durch die Verwendung eines klügeren KI-Modells zustande kam. Sie kam ausschließlich dadurch, dass die Art und Weise der Arbeitsorganisation geändert wurde. Indem man die „rekursive Einheit“ (das Element, das die Arbeit wiederholt) von einem einfachen „Gedanken“ zu einem „vollwertigen Arbeiter mit Werkzeugen“ wandelte, wurde das System wesentlich besser darin, komplexe, groß angelegte Probleme zu lösen.
Die Autoren merken an, dass dies nicht nur eine Theorie ist; es ähnelt der Art und Weise, wie reale Produktionssysteme (wie die dynamischen Workflows von Anthropic) bereits heute zu arbeiten beginnen. Sie haben diesem Muster lediglich einen Namen gegeben und bewiesen, dass es besser funktioniert als die alten Wege.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.