💬 NLP

Bayesian-Agent: Posterior-Guided Skill Evolution for LLM Agent Harnesses

यह शोध पत्र Bayesian-Agent को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो पुन: प्रयोज्य कौशलों (reusable skills) और SOPs को पोस्टीरियर-गाइडेड हार्नेस ऑप्टिमाइज़ेशन (posterior-guided harness optimization) के माध्यम से उनके विकास को निर्देशित करने के लिए संभाव्य परिकल्पनाओं (probabilistic hypotheses) के रूप में मानता है, जो मॉडल के भार (weights) को संशोधित किए बिना SOP-Bench और Lifelong AgentBench जैसे बेंचमार्क पर LLM एजेंट के प्रदर्शन में उल्लेखनीय सुधार करता है।

मूल लेखक: Xiaojun Wu, Cehao Yang, Honghao Liu, Xueyuan Lin, Wenjie Zhang, Zhichao Shi, Xuhui Jiang, Chengjin Xu, Jia Li, Jian Guo

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaojun Wu, Cehao Yang, Honghao Liu, Xueyuan Lin, Wenjie Zhang, Zhichao Shi, Xuhui Jiang, Chengjin Xu, Jia Li, Jian Guo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान, लेकिन थोड़ी जिद्दी, रोबोटिक सहायक है। यह सहायक सोचने में तो बहुत अच्छा है, लेकिन यह इंसानों की तरह अपनी गलतियों से नहीं सीखता। यदि आप इसे केक बनाने के लिए कहते हैं और यह पहला केक जला देता है, तो यह अपने आप नहीं जान पाएगा कि यह क्यों जला जब तक कि आप इसे स्पष्ट रूप से न बताएं।

आमतौर पर, जब हम इन रोबोटों को ठीक करने की कोशिश करते हैं, तो हम या तो उन्हें निर्देशों की एक लंबी सूची दे देते हैं या इस उम्मीद में छोड़ देते हैं कि वे अपने पिछले सफलताओं और विफलताओं को एक साधारण स्कोरकार्ड (जैसे, "मैं 3 बार सफल हुआ, 2 बार विफल हुआ, इसलिए मैं 60% अच्छा हूँ") की तरह देखकर खुद ही "समझ" जाएंगे। समस्या यह है कि यह स्कोरकार्ड भ्रामक हो सकता है। एक विफलता एक इत्तेफाक हो सकती थी, या एक सफलता किस्मत से मिली हो सकती थी।

Bayesian-Agent एक नया फ्रेमवर्क है जो इन रोबोट सहायकों को प्रबंधित करने का तरीका बदल देता है। केवल जीत और हार को गिनने के बजाय, यह हर निर्देश या "कौशल" (skill) जिसे रोबोट उपयोग करता है, उसे एक वैज्ञानिक परिकल्पना (scientific hypothesis) के रूप में मानता है जिसे वास्तविक साक्ष्य के साथ परीक्षण और अपडेट किया जाना चाहिए।

यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. "स्किल लाइब्रेरी" एक परिकल्पना पुस्तक के रूप में

कल्पना कीजिए कि रोबोट के पास "कौशलों" की एक लाइब्रेरी है (जैसे, "एक फ़ाइल कैसे खोलें" या "बैंक बैलेंस कैसे जांचें")।

पुराना तरीका: रोबोट जब भी कोई गलती करता है, तो वह बस लाइब्रेरी में नए टिप्स जोड़ देता है, इस उम्मीद में कि अगली बार बेहतर होगा। यह एक अंतर्ज्ञान के आधार पर नोटबुक में एक नया नियम लिखने जैसा है।
Bayesian-Agent का तरीका: लाइब्रेरी में प्रत्येक कौशल एक परिकल्पना की तरह है। सिस्टम पूछता है: "दी गई विशिष्ट स्थिति में, यह कौशल काम करने की कितनी संभावना है?" यह केवल "1 सफलता, 1 विफलता" नहीं गिनता। यह प्रत्येक कौशल के लिए एक विश्वास प्रोफाइल (belief profile) बनाता है, जो ट्रैक करता है कि वह कब और क्यों काम करता है या विफल होता है।

2. "जासूस" का तर्क (The Posterior)

सिस्टम बेयसियन इन्फरेंस (Bayesian inference) का उपयोग करता है। इसे एक जासूस के रूप में सोचें जो नए सुराग मिलने पर अपने सिद्धांत को अपडेट करता है।

सुराग: हर बार जब रोबमा कार्य करने का प्रयास करता है, तो सिस्टम "सत्यापित प्रक्षेपवक्र" (verified trajectory) को रिकॉर्ड करता है। इसका मतलब है कि यह केवल रोबोट की आत्म-रिपोर्ट ("मुझे लगता है कि मैंने इसे सही किया!") को नहीं सुनता; यह वास्तविक परिणाम की जांच करता है (जैसे, "क्या फ़ाइल वास्तव में खुली?")।
अपडेट: यदि एक कौशल एक ही परिस्थितियों में लगातार दो बार विफल होता है, तो जासूस उस विशिष्ट स्थिति के लिए इस विश्वास को अपडेट कर देता है कि यह कौशल खराब है। यदि यह तीन बार काम करता है, तो इसके विश्वसनीय होने का विश्वास मजबूत हो जाता है।

3. पाँच "क्रियाएं" (मैकेनिक का टूलकिट)

इन अपडेट किए गए विश्वासों के आधार पर, सिस्टम केवल चीजों को "ठीक" नहीं करता है। इसके पास स्किल लाइब्रेरी को प्रबंधित करने के लिए विशिष्ट उपकरण हैं, ठीक वैसे ही जैसे एक मैकेनिक कार के पुर्जों को प्रबंधित करता है:

एक्सप्लोर (Explore): यदि रोबोट ने पहले कभी कोई कौशल आज़माया नहीं है, तो सिस्टम कहता है, "चलो इसे आजमाते हैं और देखते हैं कि क्या होता है।"
पैच (Patch): यदि रोबोट एक ही तरीके से विफल होता है (जैसे, यह हमेशा फ़ाइल को सेव करना भूल जाता है), तो सिस्टम निर्देशों में एक विशिष्ट "गार्डरेल" या रिमाइंडर जोड़ता है ताकि उस विशिष्ट त्रुटि को रोका जा सके।
स्प्लिट (Split): यदि कोई कौशल बहुत व्यापक है (जैसे, "सभी बैंक लेनदेन संभालें") और कुछ मामलों में विफल होता है लेकिन अन्य मामलों में काम करता है, तो सिस्टम इसे दो छोटे, अधिक विशिष्ट कौशलों में विभाजित कर देता है।
कंप्रेस (Compress): यदि कोई कौशल बहुत विश्वसनीय है और पूरी तरह से काम करता है, तो सिस्टम स्थान बचाने के लिए निर्देशों को छोटा कर देता है, जिससे रोबोट तेज़ हो जाता है।
रिटायर (Retire): यदि कोई कौशल बहुत बार विफल होता है और साक्ष्य दिखाते हैं कि यह अविश्वसनीय है, तो सिस्टम इसे कचरे में फेंक देता है ताकि रोबोट इसे उपयोग करने की कोशिश करना बंद कर दे।

4. परिणाम: "जला हुआ केक" ठीक करना

शोधकर्ताओं ने इस प्रणाली का परीक्षण तीन अलग-अलग प्रकार के कार्यों पर किया:

SOP-Bench: जटिल, चरण-दर-चरण व्यावसायिक प्रक्रियाओं का पालन करना।
Lifelong AgentBench: कार्यों की एक लंबी श्रृंखला करना जहाँ आपको पहले जो हुआ उसे याद रखने की आवश्यकता होती है।
RealFin-Bench: वित्तीय तर्क संबंधी समस्याओं को हल करना जहाँ कुछ जानकारी गायब हो सकती है।

क्या हुआ?

"रिपेयर" मोड: उन्होंने एक ऐसे रोबोट को लिया जो पहले से ही कुछ कार्यों में विफल रहा था, उसमें साक्ष्य डाले, और Bayesian-Agent को निर्देशों को "पैच" करने दिया।
- व्यावसायिक प्रक्रिया परीक्षण पर, इसने विफलताओं को ठीक किया और 95% सफलता प्राप्त की।
- लंबी श्रृंखला वाले परीक्षण पर, इसने विफलताओं को ठीक किया और 100% सफलता प्राप्त की।
- वित्तीय परीक्षण पर, इसने सफलता को 45% से बढ़ाकर 65% कर दिया।
"फ्रॉम स्क्रैच" मोड: उन्होंने रोबोट को इस प्रणाली का उपयोग करके पूरी तरह से शुरुआत से सीखने दिया। इसने अच्छा प्रदर्शन किया, लेकिन कभी-कभी "करते-करते सीखना" थोड़ा अस्त-व्यस्त था, जो दर्शाता है कि कभी-कभी एक ठोस आधार होने के बाद "पैच" लागू करना बेहतर होता है।

5. यह क्यों महत्वपूर्ण है

यह पेपर तर्क देता है कि बेहतर AI एजेंट बनाना केवल AI को स्मार्ट बनाने (इसके मस्तिष्क/वेट्स को बदलने) के बारे में नहीं है। यह उस वातावरण को अनुकूलित करने के बारे में है जिसमें यह काम करता है।

इसे इस तरह सोचें: यदि आपके पास एक बेहतरीन ड्राइवर (AI मॉडल) है, लेकिन सड़क के संकेत भ्रमित करने वाले हैं, मानचित्र गलत है, या कार का स्टीयरिंग ढीला है (द "हार्नेस"), तो ड्राइवर दुर्घटनाग्रस्त हो जाएगा। Bayesian-Agent ड्राइवर के मस्तिष्क को फिर से प्रशिक्षित करने की कोशिश नहीं करता; यह सड़क के संकेतों को ठीक करता है, मानचित्र को अपडेट करता है, और स्टीयरिंग को कसता है, जो इस बात के सत्यापित साक्ष्य पर आधारित है कि कार कहाँ गलत हुई थी।

संक्षेप में: Bayesian-Agent "कोशिश करने और उम्मीद करने" की अव्यवस्थित प्रक्रिया को "परीक्षण, विश्वास और सुधार" की एक संरचित, ऑडिट योग्य प्रक्रिया में बदल देता है, यह सुनिश्चित करता है कि रोबोट के निर्देश केवल अनुमानों पर नहीं, बल्कि तथ्यों के आधार पर विकसित हों।

तकनीकी सारांश: Bayesian-Agent: LLM एजेंट के लिए पोस्टीरियर-गाइडेड स्किल इवोल्यूशन

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल (LLM) एजेंट कार्यों को हल करने के लिए केवल मॉडल वेट्स (weights) के बजाय बाहरी इन्फरेंस एनवायरनमेंट (inference environments)—जिसमें प्रॉम्प्ट्स, टूल्स, मेमोरी, स्टैंडर्ड ऑपरेटिंग प्रोसीजर (SOPs), और हार्नेस फीडबैक शामिल हैं—पर तेजी से निर्भर हो रहे हैं। जबकि ये पुन: प्रयोज्य संपत्तियां (reusable assets) बिना रिट्रेनिंग के निष्पादन में सुधार कर सकती हैं, उन्हें अपडेट करने के मौजूदा तरीके अक्सर ह्यूरिस्टिक रिफ्लेक्शन या सफलता और विफलता की सरल गणनाओं पर निर्भर करते हैं।

यह शोध दो प्राथमिक सीमाओं की पहचान करता है:

अनकैलिब्रेटेड अपडेट्स (Uncalibrated Updates): स्पार्स (sparse) एजेंट ट्राजेक्टरीज को स्वतंत्र, समान रूप से वितरित (i.i.d.) अवलोकनों के रूप में मानना शोर-शराबे वाले संपादन (noisy edits) की ओर ले जाता है। एक स्किल एक संदर्भ में विश्वसनीय हो सकती है लेकिन दूसरे में हानिकारक हो सकती है; सरल गिनती इस सूक्ष्मता को पकड़ने में विफल रहती है।
एक्सटर्नलाइज्ड फेलियर (Externalized Failure): जब क्षमताओं को स्किल्स और SOPs में एक्सटर्नलाइज किया जाता है, तो विफलताएं भी एक्सटर्नलाइज हो जाती हैं। यदि एक एजेंट केवल प्राकृतिक भाषा के स्व-आलोचना (self-critique) के आधार पर संपत्तियों को अपडेट करता है, तो वह वर्तमान विफलता को तो ठीक कर सकता है लेकिन ऐसे संपादन पेश कर सकता है जो भविष्य के कार्यों पर प्रदर्शन को कम कर दें। इसके विपरीत, यदि हार्नेस स्किल्स को कभी संशोधित नहीं करता है, तो बार-बार होने वाली विफलताएं मॉडल के लर्निंग लूप से बाहर ही रह जाती हैं।

मूल चुनौती यह है कि बाहरी निर्णय वातावरण (the "harness") को कैसे बनाए रखा जाए ताकि पुन: प्रयोज्य स्किल्स और SOPs सत्यापित साक्ष्य (verified evidence) के आधार पर विकसित हों, न कि अनकैलिब्रेटेड परीक्षण और त्रुटि (trial and error) के आधार पर।

2. कार्यप्रणाली: Bayesian-Agent

लेखक Bayesian-Agent पेश करते हैं, जो एक ऐसा ढांचा है जो पुन: प्रयोज्य स्किल्स और SOPs को साक्ष्य-वाहक परिकल्पनाओं (evidence-bearing hypotheses) के रूप में मानता है। यह पूछने के बजाय कि क्या एक स्किल "अच्छी" है, यह ढांचा एक बेयसियन प्रश्न पूछता है: एक स्थिर मॉडल और एक विशिष्ट इन्फरेंस एनवायरनमेंट को देखते हुए, पूर्व धारणाओं (prior assumptions) को सत्यापित साक्ष्य के साथ संयोजित करने के बाद हमें इस स्किल के बारे में क्या विश्वास करना चाहिए?

2.1 समस्या का निरूपण (Problem Formulation)

यह ढांचा मॉडल वेट्स ( $M_\theta$ ) को स्थिर रखता है और हार्नेस इवोल्यूशन को इन्फरेंस स्थितियों ( $C_t$ ) पर एक अनुकूलन (optimization) के रूप में मानता है। एक स्किल $h_k$ की विश्वसनीयता को मॉडल, संदर्भ और देखे गए फीचर्स के दिए जाने पर सफलता की प्रायिकता के रूप में परिभाषित किया गया है:
$p_{k,t} = P(y_t = 1 \mid M_\theta, C_t, h_k, z_t)$
जहाँ $z_t$ एक डिस्क्रीट फीचर वेक्टर है जिसे एक सत्यापित ट्राजेक्टरी (जैसे टोकन काउंट, टर्न काउंट, विफलता मोड) से निकाला गया है।

2.2 ट्राजेक्टरी साक्ष्य (Trajectory Evidence)

Bayesian-Agent अपने विश्वासों को केवल एक निष्पादन हार्नेस द्वारा उत्पन्न सत्यापित ट्राजेक्टरीज ( $e_t$ ) से अपडेट करता है। इन ट्राजेक्टरीज में शामिल हैं:

कार्य संदर्भ और परिणाम ( $y_t \in \{0, 1\}$ ) जो एक बाहरी वेरीफायर या बेंचमार्क ग्रेडर द्वारा निर्धारित किया जाता है, न कि मॉडल के स्व-आकलन द्वारा।
रनटाइम सिग्नल (टोकन लागत, लेटेंसी, टर्न काउंट) जिन्हें स्पार्स ऑनलाइन डेटासेट्स को संभालने के लिए फिक्स्ड बकेट्स में विभाजित किया गया है।
वेरीफायर से प्राप्त विफलता मोड (failure modes)।

2.3 बेयसियन साक्ष्य मॉडल (Bayesian Evidence Model)

सिस्टम प्रत्येक स्किल के लिए एक फीचर-कंडीशन्ड कैटेगोरिकल बेयसियन एविडेंस मॉडल बनाए रखता है:

प्रायर्स (Priors): जब अवलोकन स्पार्स होते हैं, तो रूढ़िवादी अनुमान प्रदान करने के लिए लाप्लास स्मूथिंग (Laplace smoothing) का उपयोग करता है।
लाइकलीहुड (Likelihood): विशिष्ट फीचर वैल्यूज (जैसे "संदर्भ Y में विफलता मोड X होता है") पर सशर्त सफलता/विफलता की गणना करता है।
पोस्टीरियर (Posterior): सफलता की प्रायिकता ( $s_{k,t}$ ) की गणना करता है जिसका उपयोग रैंकिंग और निर्णय लेने के लिए किया जाता है।
समरी (Summary): ऑडिट और फेलियर-डोमिनेंस चेक के लिए एक कंजुगेट बीटा-बर्नौली सारांश ( $\alpha, \beta$ ) बनाए रखता है।

2.4 पोस्टीरियर-गाइडेड स्किल एक्शन्स (Posterior-Guided Skill Actions)

पोस्टीरियर स्टेट एक रूढ़िवादी रीराइट पॉलिसी को संचालित करता है जो विश्वास अवस्थाओं (belief states) को पांच निरीक्षण योग्य कार्यों (inspectable actions) में मैप करता है:

एक्सप्लोर (Explore): तब ट्रिगर होता है जब कोई अवलोकन मौजूद नहीं होता या पोस्टीरियर अनिश्चित होता है।
पैच (Patch): तब ट्रिगर होता है जब एक ही विफलता मोड कम से कम दो बार दिखाई देता है (बार-बार होने वाली विफलताओं को गार्डरेल्स में बदलना)।
स्प्लिट (Split): तब ट्रिगर होता है जब एक व्यापक स्किल विषम मामलों को कवर करती है (3+ संदर्भ, 4+ अवलोकन)।
कंप्रेस (Compress): तब ट्रिगर होता है जब एक स्किल विश्वसनीय होती है (सफलता $\ge$ 0.72) ताकि संदर्भ संक्षिप्त रहे।
रिटायर (Retire): तब ट्रिगर होता है जब विफलता का साक्ष्य हावी हो जाता है (कम सफलता की प्रायिकता, उच्च $\beta$ )।

महत्वपूर्ण रूप से, ढांचा पोस्टीरियर ऑडिट जानकारी (डिबगिंग के लिए संग्रहीत) को मॉडल-फेसिंग निर्देशों से अलग करता है। LLM को निष्पादन योग्य गार्डरेल्स और विफलता-मोड पैच मिलते हैं, न कि कच्ची प्रायिकता संख्याएँ।

2.5 निष्पादन मोड (Execution Modes)

फुल मोड (Full Mode): रजिस्ट्री एक बेंचमार्क रन के दौरान शून्य से ऑनलाइन विकसित होती है।
इन्क्रीमेंटल मोड (Incremental Mode): सिस्टम एक पूर्ण बेसलाइन रन से प्राप्त सत्यापित ट्रेसेस को ग्रहण करता है, रजिस्ट्री को अपडेट करता है, और पोस्टीरियर-गाइडेड पैच के साथ केवल विफल कार्यों को फिर से चलाता है।

3. मुख्य योगदान (Key Contributions)

हाइपोथीसिस के रूप में स्किल्स का निरूपण: सेल्फ-इवोल्यूशन को एम्पिरिकल प्रॉम्प्ट एक्यूमुलेशन से हटाकर सत्यापित, पोस्टीरियर-गाइडेड ऑप्टिमाइजेशन की ओर ले जाता है।
एकीकृत ढांचा (Unified Framework): प्रॉम्प्ट, कॉन्टेक्स्ट और हार्नेस इंजीनियरिंग के लिए एक एकीकृत बेयसियन दृष्टिकोण प्रदान करता है, जिसे एक कुशल कैटेगोरिकल एविडेंस मॉडल और एक पोस्टीरियर-गाइडेड रीराइट पॉलिसी के साथ लागू किया गया है।
नेटिव और क्रॉस-हार्नेस सपोर्ट: एक न्यूनतम नेटिव बैकएंड पेश करता है और एक एडॉप्टर बाउंड्री को परिभाषित करता है जो बाहरी हार्नेस (GenericAgent, mini-swe-agent, Claude Code) को उसी ट्राजेक्टरी-एविडेंस लूप का उपयोग करने की अनुमति देता है।
अनुभवजन्य सत्यापन (Empirical Validation): DeepSeek मॉडल्स का उपयोग करके SOP-Bench, Lifelong AgentBench, और RealFin-Bench पर बेसलाइन, फुल बेयसियन, और इन्क्रीमेंटल रिपेयर वेरिएंट्स की तुलना करते हुए व्यापक अध्ययन करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

पेपर तीन बेंचमार्क्स और कई बैकएंड्स (Native, GenericAgent, mini-swe-agent, Claude Code) पर DeepSeek-v4-flash और DeepSeek-v4-pro का उपयोग करके Bayesian-Agent का मूल्यांकन करता है।

4.1 प्रदर्शन लाभ (Performance Gains)

इन्क्रीमेंटल रिपेयर: इन्क्रीमेंटल मोड (केवल विफल कार्यों की मरम्मत करना) ने महत्वपूर्ण सुधार दिखाया:
- SOP-Bench: 80% (GA) से बढ़कर 95% हुआ।
- Lifelong AgentBench: 90% (GA) से बढ़कर 100% हुआ।
- RealFin-Bench: 45% (GA) से बढ़कर 65% हुआ।
टोकन दक्षता: इन्क्रीमेंटल दृष्टिकोण अत्यधिक टोकन-कुशल था, जिसने फुल बेसलाइन रन की तुलना में SOP-Bench विफलताओं को ठीक करने के लिए केवल 153k टोकन का उपयोग किया।
बैकएंड एगोस्टिकिज्म (Backend Agnosticism): ढांचे ने विभिन्न बैकएंड्स (Native, GenericAgent, mini-swe-agent, Claude Code) में प्रदर्शन में सफलतापूर्वक सुधार किया, जिससे पुष्टि हुई कि लाभ विशिष्ट रनटाइम के बजाय एविडेंस लूप से आता है।

4.2 देखी गई सीमाएं (Limitations Observed)

फुल मोड अस्थिरता: Lifelong AgentBench सेटिंग में DeepSeek-v4-flash के साथ, Full Bayesian मोड (85%) ने बेसलाइन GA (90%) को पीछे छोड़ दिया। यह सुझाव देता है कि जब साक्ष्य अभी भी स्पार्स होते हैं, तो ऑनलाइन स्किल इवोल्यूशन नकारात्मक ऑर्डरिंग प्रभाव या लागत पेश कर सकता है।
*. सैचुरेशन (Saturation): उन सेटिंग्स में जहाँ बेसलाइन मॉडल पहले से ही 100% सटीकता प्राप्त कर चुका था (जैसे DeepSeek-v4-pro के साथ SOP-Bench), बेयसियन लेयर के पास मरम्मत के लिए कोई विफलता नहीं थी, जिससे इन्क्रीमेंटल मोड निष्क्रिय हो गया।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि एजेंट स्किल इवोल्यूशन को अनकैलिब्रेटेड प्रॉम्प्ट एक्यूमुलेशन के बजाय पोस्टीरियर-गाइडेड हार्नेस ऑप्टिमाइजेशन के रूप में देखना सबसे अच्छा है।

ऑडिटेबिलिटी (Auditability): स्किल्स को स्पष्ट पोस्टीरियर स्टेट्स के साथ हाइपोथीसिस के रूप में मानकर, यह ढांचा इवोल्यूशन प्रक्रिया को निरीक्षण योग्य बनाता है। उपयोगकर्ता देख सकते हैं कि एक स्किल को विशिष्ट विफलता मोड के आधार पर क्यों पैच, स्प्लिट या रिटायर किया गया था।
अनिश्चितता अंशांकन (Uncertainty Calibration): दृष्टिकोण एजेंट ट्राजेक्टरीज की स्पर्सिटी और कॉन्टेक्स्ट-डिपेंडेंसी को स्पष्ट रूप से संभालता है, जिससे स्पार्स डेटा को विश्वसनीय फ्रीक्वेंसी काउंट मानने के खतरों से बचा जा रहा है।
व्यावहारिक मरम्मत (Practical Repair): इन्क्रीमेंटल रिपेयर सेटिंग यह प्रदर्शित करती है कि एक हार्नेस विफल मामलों पर अतिरिक्त इन्फरेंस रिसोर्सेज खर्च करके देखे गए विफलता मोड को पुन: प्रयोज्य कॉन्टेक्स्ट में बदलने के लिए, अंतिम सटीकता को काफी बढ़ा सकता है, बिना पूरे बेंचमार्क को दोबारा चलाए।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह दृष्टिकोण वन-ऑफ कार्यों या नॉन-स्टेशनरी एनवायरनमेंट्स के लिए रामबाण नहीं है, फिर भी यह वेरीफायर और आवर्ती विफलता मोड वाले सेटिंग्स में पुन: प्रयोज्य एजेंट स्किल्स को बेहतर बनाने के लिए एक मजबूत, साक्ष्य-अंशांकित तंत्र प्रदान करता है।