Recursive Agent Harnesses
Ce document présente le Recursive Agent Harness (RAH), un cadre de travail axé sur le code où des agents parents génèrent des harnais de sous-agents parallèles dotés d'outils de système de fichiers et d'exécution, démontrant des améliorations significatives dans le raisonnement à contexte long et les tâches de codage par rapport aux bases de référence de récursion de modèles traditionnels lors d'évaluations avec des modèles dorsaux fixes et plus puissants.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous possédez une bibliothèque massive contenant des millions de livres, et que vous deviez trouver un fait spécifique dans chacun d'entre eux.
L'ancienne méthode : Le bibliothécaire surmené
Auparavant, si vous demandiez à une IA intelligente (un « agent de codage ») de faire cela, elle essaierait d'agir comme un bibliothécaire super rapide. Elle scannerait les livres en utilisant des règles simples (comme la recherche de mots-clés spécifiques) pour trouver des réponses. Mais comme la bibliothèque est immense, le bibliothécaire ne peut tenir que quelques livres à la fois dans ses mains. Il doit donc passer outre la lecture réelle du texte de la plupart des livres et se fier à ces règles simples. Si la réponse nécessite une réflexion profonde sur une page spécifique, le bibliothécaire la manque.
La méthode des « Modèles Récursifs » : Le fil de la pensée
Une autre approche, appelée « Modèles de Langage Récursifs » (RLM), a tenté de résoudre ce problème en divisant la bibliothèque en plus petits tas. L'IA réfléchirait à un tas, puis au suivant, puis au suivant, dans un long fil de la pensée. Cependant, cette IA est comme un bibliothécaire à qui il est interdit de toucher aux livres. Elle peut seulement réfléchir au texte qui lui est donné, mais elle ne peut pas ouvrir les fichiers, utiliser des outils ou une loupe. Elle est intelligente, mais impuissante sans les outils réels pour interagir avec les documents.
La nouvelle méthode : Le « Recursive Agent Harness » (RAH)
Ce document présente une nouvelle stratégie appelée le Recursive Agent Harness (RAH).
Considérez le RAH non pas comme un seul bibliothécaire, mais comme un maître entrepreneur qui bâtit toute une équipe pour la tâche.
- Le plan directeur : L'IA principale (le parent) regarde la bibliothèque massive et réalise : « Je ne peux pas faire cela seule, et je ne peux pas me contenter d'y réfléchir. »
- L'écriture du script : Au lieu d'essayer de faire le travail elle-même, le parent écrit un programme informatique (un script). Ce script est comme un ensemble d'instructions qui dit : « Pour chaque livre de cette bibliothèque, embauchez un nouvel assistant entièrement équipé. »
- Les sous-équipes : Le script s'exécute et génère instantanément des centaines de sous-agents. Crucialement, chacun de ces sous-agents est un travailleur complet. Ils ont leur propre bureau, leurs propres outils (comme des ouvreurs de fichiers, des moteurs de recherche et des exécuteurs de code) et leur propre fenêtre de contexte (leur propre espace mental).
- Travail en parallèle : Alors que l'ancien bibliothécaire ne pouvait regarder qu'un seul livre à la fois, et que l'IA de fil de la pensée ne pouvait réfléchir qu'à un seul tas à la fois, le RAH envoie des milliers de ces assistants entièrement équipés pour travailler sur leurs livres respectifs tous en même temps.
- Le résultat : Chaque assistant lit son livre spécifique, utilise ses outils pour trouver la réponse, et note le résultat. Le parent collecte ensuite toutes les réponses.
L'analogie de la « Boîte à outils »
La différence clé est la boîte à outils.
- L'Agent de codage possède une boîte à outils mais ne peut regarder que quelques livres à la fois.
- Le RLM possède un cerveau énorme mais pas de boîte à outils ; il ne peut pas ouvrir les fichiers.
- Le RAH donne à chaque travailleur sa propre boîte à outils complète et les laisse travailler en parallèle.
Ce que l'étude a révélé
Les chercheurs ont testé cela sur un test très difficile appelé « Oolong », qui consiste à trouver des réponses dans des documents aussi longs que 4 millions de mots (environ la taille d'un petit roman, mais avec des milliers d'entrées).
- Ils ont utilisé le même « cerveau » (GPT-5) pour tous les tests afin de garantir une comparaison équitable.
- L'ancien « Agent de codage » a obtenu environ 72 % de réussite.
- Le « Modèle de Récursion » (sans outils) a obtenu environ 64 % de réussite.
- La nouvelle méthode RAH a obtenu 81 % de réussite.
L'essentiel à retenir
L'étude affirme que l'amélioration n'est pas venue de l'utilisation d'un modèle d'IA plus intelligent. Elle est venue entièrement de la façon dont le travail est organisé. En transformant l'« unité récursive » (la chose qui répète le travail) d'une simple « pensée » en un « travailleur complet avec des outils », le système est devenu bien meilleur pour résoudre des problèmes complexes à grande échelle.
Les auteurs notent que ce n'est pas seulement une théorie ; c'est similaire à la façon dont certains systèmes de production réels (comme les flux de travail dynamiques d'Anthropic) commencent déjà à fonctionner. Ils ont simplement donné un nom à ce modèle et prouvé qu'il fonctionne mieux que les anciennes méthodes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.