💻 computer science

ReCreate: Reasoning and Creating Domain Agents Driven by Experience

Il documento introduce ReCreate, un framework guidato dall'esperienza che genera e adatta automaticamente agenti specifici per dominio sfruttando le storie di interazione attraverso un paradigma di agente come ottimizzatore, superando sia i metodi progettati da umani sia quelli automatizzati esistenti.

Autori originali: Zhezheng Hao, Hong Wang, Jian Luo, Jianqing Zhang, Yuyan Zhou, Qiang Lin, Can Wang, Hande Dong, Jiawei Chen

Pubblicato 2026-04-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Zhezheng Hao, Hong Wang, Jian Luo, Jianqing Zhang, Yuyan Zhou, Qiang Lin, Can Wang, Hande Dong, Jiawei Chen

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Grande Problema: Costruire Robot è un Lavoro Faticoso

Immagina di voler costruire un robot specializzato per riparare auto rotte, un altro per cuocere torte perfette e un terzo per risolvere enigmi matematici. Al momento, ogni volta che desideri un nuovo robot per un nuovo compito, un esperto umano deve sedersi e scrivere un manuale di istruzioni molto dettagliato (chiamato "scaffold") per esso. Devono dire al robot esattamente come pensare, quali strumenti utilizzare e quali passaggi intraprendere.

Questo è lento, costoso e difficile da scalare. Se desideri un robot per 100 lavori diversi, hai bisogno di 100 manuali scritti da umani.

Il Vecchio Metodo: Indovinare e Controllare

Alcuni ricercatori hanno provato a automatizzare questo processo. Hanno costruito un "meta-robot" che tenta di scrivere questi manuali. Ma il vecchio metodo era come giocare a una partita di "Caldo o Freddo".

Il meta-robot scrive un manuale.
Testa il robot.
Riceve un punteggio (ad esempio, "Hai avuto il 60% di risposte corrette").
Il punteggio è l'unica feedback. Non dice perché il robot ha fallito. Era lo strumento sbagliato? Ha dimenticato un passaggio? Ha guardato il file sbagliato?

Poiché il meta-robot non sapeva perché aveva fallito, doveva indovinare alla cieca, provando milioni di modifiche casuali finché non aveva fortuna. Questo richiedeva molta potenza di calcolo e denaro.

Il Nuovo Metodo: ReCreate (Il Meccanismo "Guidato dall'Esperienza")

Gli autori di questo paper propongono ReCreate. Invece di guardare solo il punteggio finale, ReCreate agisce come un meccanico esperto che osserva il robot lavorare, vede esattamente dove ha inciampato e corregge il manuale basandosi su quella evidenza.

Pensala così:

Vecchio Metodo: Svolgi un test, ottieni un "C", e l'insegnante dice solo: "Prova più duramente la prossima volta". Non sai quali domande hai sbagliato o perché.
ReCreate: Svolgi un test, ottieni un "C", e l'insegnante estrae la registrazione video di te mentre sostieni il test. Indica il momento specifico in cui ti sei confuso, dice: "Ah, non hai letto le istruzioni con attenzione", e poi riscrive il manuale di istruzioni per prevenire quel specifico errore la prossima volta.

Come Funziona ReCreate (I Tre Strumenti Magici)

ReCreate utilizza un "Agente Ottimizzatore" speciale (un'IA super-intelligente) che passa attraverso tre fasi per migliorare il manuale del robot:

1. Il Detective (Archiviazione e Recupero dell'Esperienza)
Quando un robot fallisce, ReCreate non butta via semplicemente il tentativo. Salva l'intero "film" di ciò che è successo: cosa ha pensato il robot, su quali strumenti ha cliccato e dove si è bloccato.

Analogia: Immagina un detective che non guarda solo la scena del crimine, ma ha accesso all'intero diario del sospetto, ai registri telefonici e alle riprese di sicurezza. Quando il robot fallisce, ReCreate cerca in questo "diario" per trovare il momento esatto in cui le cose sono andate storte.

2. L'Editore (Sinergia Ragionamento-Creazione)
Una volta che il Detective ha individuato il problema, interviene l'Editore. Legge le prove e decide come correggere il manuale.

Analogia: Se il robot continuava a dimenticare di controllare se un file fosse vuoto, l'Editore non dice semplicemente "sii migliore". Aggiunge una nuova regola specifica al manuale: "Controlla sempre se il file è vuoto prima di aprirlo". Oppure, se il robot continuava a fare la stessa noiosa operazione matematica all'infinito, l'Editore scrive un nuovo "strumento" (uno script) per eseguire quella matematica automaticamente.

3. L'Insegnante (Aggiornamenti Gerarchici)
Questa è la parte più importante. A volte un robot impara un trucco che funziona solo per un singolo enigma. ReCreate si assicura che il robot non rimanga "bloccato" su quel singolo trucco. Esamina molti fallimenti diversi e chiede: "È questo un errore una tantum, o è un modello ricorrente?"

Analogia: Se uno studente fallisce un test di matematica perché ha dimenticato di fare il riporto, l'insegnante non gli dice semplicemente di "fare meglio in quel singolo test". L'insegnante si rende conto che lo studente ha un modello di dimenticanza nel fare i riporti e aggiorna l'intero quaderno di studio dello studente per includere una regola permanente sui riporti. ReCreate trasforma correzioni specifiche in regole generali che funzionano per l'intero dominio.

I Risultati: Dal Semi al Maestro

Il paper ha testato ReCreate in quattro mondi diversi:

Ingegneria del Software: Risoluzione di bug nel codice (come su GitHub).
Scienza dei Dati: Pulizia dei dati e creazione di grafici.
Matematica: Risoluzione di problemi matematici complessi.
Assistenza Digitale: Gestione di app e compiti digitali.

Hanno iniziato con un manuale "seme" molto basilare – quasi vuoto.

Il Risultato: ReCreate ha preso questi manuali minuscoli e deboli e li ha evoluti in agenti potenti e specializzati.
Il Punteggio: In quasi tutti i test, gli agenti creati da ReCreate hanno funzionato meglio degli agenti progettati da esperti umani. Hanno anche funzionato meglio di altri metodi di IA che tentavano di costruire agenti automaticamente.

Perché è Importante (Secondo il Paper)

Il paper afferma che, permettendo all'IA di imparare dalla propria "esperienza" (i registri dettagliati di ciò che ha fatto) piuttosto che da un semplice punteggio finale, possiamo costruire automaticamente robot specializzati per qualsiasi lavoro. È più economico, più veloce e crea agenti più intelligenti rispetto ai vecchi metodi di "indovina e controlla".

In sintesi: ReCreate è un sistema che insegna agli agenti IA mostrando loro i propri errori in dettaglio, quindi riscrivendo i loro manuali di istruzioni per garantire che non commettano più quegli stessi errori. Trasforma una "scatola nera" di tentativi ed errori in una "scatola bianca" di miglioramento chiaro e logico.

1. Definizione del Problema

Il paper affronta la sfida della Creazione di Agenti di Dominio: la costruzione automatica di agenti LLM specializzati per specifici domini reali (ad esempio, ingegneria del software, scienza dei dati, matematica) partendo da informazioni minime iniziali.

Limitazione Attuale: La maggior parte degli agenti pratici è progettata manualmente da esseri umani. Questo processo è laborioso e difficile da scalare perché diversi domini richiedono conoscenze, priora e flussi di lavoro distinti.
Limitazioni dell'Automazione Esistente: I recenti metodi di generazione automatica di agenti (ad esempio, ADAS, AgentSquare) trattano la creazione di agenti come un problema di ottimizzazione a scatola nera. Si basano esclusivamente sulle metriche finali delle prestazioni (ad esempio, tassi di successo/fallimento) per guidare gli aggiornamenti.
- Cecità: Mancano di comprensione del perché un agente abbia fallito, portando a un inefficiente processo di prova ed errore.
- Costo: Richiedono valutazioni su larga scala per ogni scaffold candidato, risultando in elevati costi computazionali e finanziari.
- Overfitting: Spesso faticano a generalizzare da istanze di compiti specifici a pattern di dominio più ampi.

2. Metodologia: Il Framework ReCreate

ReCreate propone un paradigma di ottimizzazione a scatola bianca, guidato dall'esperienza. Invece di affidarsi a punteggi scalari, sfrutta l'intera esperienza di interazione (traiettorie di esecuzione, stati dell'ambiente, log e risultati di valutazione) per affinare iterativamente gli scaffold degli agenti.

Design Principale: Agente come Ottimizzatore

ReCreate introduce un design Agente come Ottimizzatore in cui un "ReCreate-Agent" (un meta-agente) funge da ingegnere autonomo. Esamina la cronologia di esecuzione di un agente di compito, diagnostica i fallimenti e modifica lo scaffold dell'agente. Il framework è composto da tre componenti chiave:

Meccanismo di Archiviazione e Recupero dell'Esperienza:
- Archivia episodi completi di interazione (traiettorie, output di esecuzione, log di valutazione e contesto dell'ambiente come codebase).
- Utilizza un recuperatore di prove per indicizzare eventi critici (errori, test falliti). Ciò permette al ReCreate-Agent di saltare direttamente al contesto rilevante invece di elaborare log massicci in modo lineare, abilitando ispezioni su richiesta.
Pipeline di Sinergia Ragionamento-Creazione:
- Ragionamento (Ispezione): Il ReCreate-Agent analizza le prove recuperate per determinare la causa radice del successo o del fallimento (ad esempio, passaggi di validazione mancanti, uso inefficiente degli strumenti, ordine errato del flusso di lavoro).
- Creazione (Modifica): Sulla base della diagnosi, l'agente decide quale componente dello scaffold modificare. Lo scaffold è scomposto in quattro moduli modificabili:
  - Ruolo e Oggetto: Istruzioni di sistema e priora di dominio.
  - Processo e Strategia: Flussi di ragionamento e criteri di terminazione.
  - Azione e Strumento: Strumenti e script disponibili.
  - Memoria e Recupero: Strategie di gestione della memoria.
- Un Router di Creazione guida l'agente a selezionare la modifica appropriata (ad esempio, "Aggiungi una regola", "Crea un nuovo strumento", "Modifica il flusso di lavoro") basandosi su prove specifiche.
Aggiornamenti Gerarchici dal Locale al Dominio:
- Livello Istanza: L'agente genera aggiornamenti candidati ( $\Delta A$ ) per compiti specifici, accompagnati da giustificazioni. Questi vengono messi in buffer anziché applicati immediatamente.
- Livello Dominio: Un passaggio di sintesi aggrega queste proposte a livello di istanza per estrarre pattern di dominio riutilizzabili. Questo filtra il rumore specifico del compito e previene l'overfitting, garantendo che lo scaffold finale si generalizzi attraverso il dominio.

Flusso di Lavoro (Algoritmo 1)

Inizializzare uno scaffold minimo ( $A_0$ ) dalle informazioni di dominio ( $I$ ).
Eseguire l'agente su un batch di compiti di sviluppo.
Raccogliere l'esperienza di interazione ( $\tau$ , risultati di esecuzione, risultati di valutazione).
Il ReCreate-Agent esamina fallimenti/successi e propone aggiornamenti locali.
Gli aggiornamenti locali sono sintetizzati in un aggiornamento globale di dominio.
Ripetere fino a convergenza o al raggiungimento del numero massimo di iterazioni.

3. Contributi Chiave

Framework ReCreate: Un framework innovativo che sposta la creazione di agenti dall'ottimizzazione di metriche a scatola nera al ragionamento a scatola bianca guidato dall'esperienza.
Paradigma Agente come Ottimizzatore: Un design che permette a un LLM di debuggare ed evolvere autonomamente altri agenti interpretando tracce di esecuzione e stati dell'ambiente, invece di ottimizzare semplicemente i prompt.
Valutazione Completa: Ha dimostrato prestazioni superiori su 13 benchmark in 4 domini (Ingegneria del Software, Scienza dei Dati, Matematica, Assistenza Digitale), superando sia agenti progettati da umani sia metodi esistenti di generazione automatica.

4. Risultati Sperimentali

Gli autori hanno valutato ReCreate utilizzando gpt-5-mini come agente di compito e claude-4.5-opus come ReCreate-Agent.

Miglioramenti delle Prestazioni:
- ReCreate ha costantemente superato gli scaffold progettati da umani e le baseline auto-evolutive (ad esempio, LIVE, OPRO, ExpeL) in tutti i domini.
- Miglioramento Medio: +6,55% rispetto al secondo classificato in Ingegneria del Software (SWE), +6,60% in Scienza dei Dati (DS), +4,01% in Matematica e +2,63% in Assistenza Digitale.
- Confronto con Metodi di Generazione: Ha superato i metodi di generazione automatica (ADAS, AgentSquare) di una media del 7%, evidenziando il valore dell'uso di esperienze di interazione ricche rispetto ai punteggi scalari.
Efficienza dei Costi:
- ReCreate ha ridotto i costi di ottimizzazione del 36% all'82% rispetto ad ADAS. Lo ottiene convergendo più velocemente utilizzando segnali ricchi dall'esperienza di interazione, richiedendo meno iterazioni e un set di sviluppo più piccolo (solo ~20 campioni).
Studi di Ablazione:
- Componenti dell'Esperienza: La rimozione delle traiettorie complete ha causato il calo di prestazioni più significativo, dimostrando che le tracce di ragionamento passo-passo sono cruciali per la diagnosi.
- Capacità di Ragionamento: L'uso di un ReCreate-Agent più debole (gpt-5-mini) non è riuscito a superare i design umani nella maggior parte dei domini, indicando che capacità di ragionamento forti sono essenziali per interpretare l'esperienza e generare modifiche efficaci.
- Aggiornamenti Gerarchici: La rimozione della sintesi a livello di dominio (DOMUPD) ha portato a overfitting e a una minore generalizzazione.

5. Significato e Implicazioni

Automazione dell'Expertise: ReCreate dimostra che gli LLM possono automatizzare il processo laborioso di progettazione di scaffold di agenti specializzati, potenzialmente sostituendo gli esperti umani nella creazione di flussi di lavoro specifici per dominio.
Cambio di Paradigma nell'Ottimizzazione: Sposta il campo dall'"Ottimizzazione tramite Prompting" (statico, lineare) all'"Ottimizzazione tramite Azione" (dinamico, cicli ispeziona-ragiona-ottimizza).
Generalizzabilità: Il framework è agnostico rispetto al dominio. Ha creato con successo agenti specializzati per l'ingegneria del software (risoluzione di problemi GitHub), la scienza dei dati (generazione di codice) e problemi matematici partendo da semi minimi.
Scalabilità: Sfruttando aggiornamenti guidati dall'esperienza, ReCreate offre un percorso scalabile per costruire agenti robusti per scenari di mondo aperto dove l'ingegneria manuale è non fattibile.

In conclusione, ReCreate stabilisce che l'esperienza di interazione è un segnale più ricco ed efficace per la creazione di agenti rispetto alle sole metriche di prestazione, abilitando la sintesi automatica di agenti specializzati ad alte prestazioni che competono o superano le soluzioni progettate da umani.