💬 NLP

TodoEvolve: Learning to Architect Agent Planning Systems

TodoEvolve introduce un nuovo paradigma di meta-pianificazione che utilizza un framework modulare chiamato PlanFactory e un metodo di ottimizzazione chiamato IGPO per sintetizzare e aggiornare autonomamente architetture di pianificazione personalizzate, superando i sistemi predefiniti in efficacia e flessibilità.

Autori originali: Jiaxi Liu, Yanzuo Jiang, Guibin Zhang, Zihan Zhang, Heng Chang, Zhenfei Yin, Qibing Ren, Junchi Yan

Pubblicato 2026-02-10

📖 3 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Jiaxi Liu, Yanzuo Jiang, Guibin Zhang, Zihan Zhang, Heng Chang, Zhenfei Yin, Qibing Ren, Junchi Yan

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 Problema: Il "Capocantiere" Robot che sa fare solo una cosa

Immagina di dover costruire qualcosa. Se devi montare un mobile dell'IKEA, ti serve un manuale con una lista di passaggi dritti e semplici: Passaggio 1, Passaggio 2, Passaggio 3. Se invece devi costruire un grattacielo, non puoi usare lo stesso manuale! Ti serve un team di ingegneri, un piano che cambia se piove, e la capacità di coordinare gru, operai e architetti contemporaneamente.

Oggi, gli "Agenti AI" (i robot software che cercano di risolvere problemi complessi) soffrono di questo: sono come operai bravissimi, ma hanno un capocantiere troppo rigido. Se il compito è semplice, usano un piano troppo complicato (sprecando tempo e soldi); se il compito è difficile, usano un piano troppo semplice (e falliscono). Non sanno adattare la "forma" del loro ragionamento al tipo di lavoro che hanno davanti.

La Soluzione: TodoEvolve – L'Architetto che si evolve

Gli scienziati hanno creato TodoEvolve. Non è un semplice robot, ma un "Meta-Architetto".

Invece di dare all'AI un piano fisso, TodoEvolve fa una cosa rivoluzionaria: disegna il piano di lavoro perfetto per quel compito specifico proprio un istante prima di iniziare.

La metafora del "Camaleonte Strategico"

Immagina un camaleonte che non cambia solo colore, ma cambia anche la sua intera struttura fisica a seconda di cosa deve fare:

Se deve scattare su un ramo sottile, diventa leggero e lineare (come una lista della spesa).
Se deve cacciare una preda in una foresta intricata, sviluppa mille tentacoli per esplorare ogni direzione contemporaneamente (come una rete o un grafico complesso).

TodoEvolve fa esattamente questo con il pensiero. Se gli chiedi di fare una ricerca veloce su Google, crea un piano "lineare" (veloce ed economico). Se gli chiedi di risolvere un problema matematico o di programmazione difficilissimo, crea un piano "a rete" (complesso, con molti rami che si controllano a vicenda).

Come lo hanno addestrato? (Il metodo "Impedance-Guided")

Per insegnargli questo, non gli hanno solo dato dei libri, ma lo hanno fatto giocare a un gioco di ottimizzazione. Lo hanno premiato non solo quando arrivava alla soluzione corretta, ma quando ci arrivava nel modo più intelligente.

Hanno usato un concetto chiamato "Impedenza Cognitiva". Immaginalo come il "attrito" o la "fatica" mentale:

Se l'AI risolve il problema ma usa un piano troppo lungo, costoso e caotico, viene "punita" (come un corridore che vince una gara ma facendo mille giri inutili).
L'obiettivo è trovare la "linea retta più efficiente": la soluzione che è sicura, veloce e che non spreca "energia" (token e tempo).

Perché è importante? (I risultati)

I test hanno dimostrato che TodoEvolve è un vero potenziatore.

È un super-potere per le altre AI: Se prendi un'intelligenza artificiale standard (come quelle usate oggi) e le dai il "cervello organizzativo" di TodoEvolve, le sue prestazioni schizzano verso l'alto.
Risparmio e Precisione: Riesce a risolvere problemi difficili senza diventare un "burocrate" che spende troppo tempo a pianificare senza agire.
Adattabilità: Funziona con diversi tipi di "motori" (modelli linguistici), rendendolo uno strumento universale.

In sintesi

TodoEvolve trasforma l'intelligenza artificiale da un esecutore che segue ordini fissi a un progettista intelligente capace di decidere come deve pensare per risolvere ogni sfida nel modo più elegante, veloce e preciso possibile.

Riassunto Tecnico: TodoEvolve

1. Il Problema: L'Inadeguatezza dei Planner Statici

Attualmente, gli agenti basati su Large Language Models (LLM) utilizzano sistemi di pianificazione (planning) che si basano su strutture fisse e pre-progettate manualmente (es. liste lineari, grafi aciclici diretti - DAG, o strutture ad albero). Il problema fondamentale è che non esiste una struttura di pianificazione universale che sia ottimale per ogni tipo di compito.

Alcuni compiti richiedono una progressione lineare (es. ricerca web semplice).
Altri richiedono una struttura parallela o gerarchica per gestire la complessità (es. ingegneria del software o ricerca scientifica).
I sistemi attuali mancano della flessibilità necessaria per adattare la propria "architettura logica" (topologia, meccanismi di revisione e navigazione) alle caratteristiche strutturali specifiche di ogni singola query.

2. Metodologia: Il Paradigma del Meta-Planning

Per superare questo limite, gli autori introducono TodoEvolve, un paradigma di meta-planning in cui un modello non esegue semplicemente il compito, ma progetta autonomamente l'architettura di pianificazione più adatta per quel compito specifico.

La metodologia si articola in tre pilastri principali:

A. PlanFactory (Spazio di Design Modulare):
Gli autori hanno creato un framework che standardizza le diverse architetture di pianificazione esistenti in quattro dimensioni fondamentali:

♣ Topology: L'organizzazione strutturale della decomposizione dei compiti (es. Lineare, DAG, Albero).
♦ Initialization: Come la topologia viene istanziata inizialmente.
♥ Adaptation: La logica di revisione (quando e come modificare il piano in base ai feedback).
♠ Navigation: Il meccanismo che emette le direttive eseguibili all'agente.

B. Costruzione del Dataset (Bootstrap-and-Filter):
Poiché non esistono dataset di "architetture di pianificazione", il team ha utilizzato un processo di auto-apprendimento:

Utilizzano PlanFactory per generare diverse architetture candidate.
Eseguono queste architetture in un ambiente reale.
Verifica basata sull'esecuzione: Solo le architetture che portano a una risposta corretta vengono salvate nel dataset di addestramento, eliminando così le "allucinazioni architettoniche".

C. Addestramento con IGPO (Impedance-Guided Preference Optimization):
Il cuore dell'innovazione è l'algoritmo di ottimizzazione IGPO. A differenza del classico apprendimento per preferenze (che punta solo alla correttezza), l'IGPO introduce il concetto di Impedenza Cognitiva ( $I$ ).
L'obiettivo è massimizzare la performance minimizzando al contempo:

Il costo computazionale (token utilizzati).
La latenza (tempo di esecuzione).
L'instabilità (errori e loop ridondanti).
In pratica, il modello impara a scegliere l'architettura che è non solo corretta, ma anche la più efficiente e "fluida" dal punto di vista esecutivo.

3. Contributi Chiave

PlanFactory: Un codebase unificato e modulare che permette di studiare e testare diverse strategie di pianificazione in modo standardizzato.
Todo-14B: Un meta-planner (basato su Qwen3-14B) addestrato per sintetizzare configurazioni di pianificazione personalizzate (codice Python + configurazioni YAML) in tempo reale.
Nuovo Obiettivo di Ottimizzazione (IGPO): Un metodo di RL (Reinforcement Learning) che allinea il modello non solo alla precisione, ma all'efficienza operativa (Pareto-ottimalità tra successo e costo).

4. Risultati Sperimentali

Le valutazioni su cinque benchmark (tra cui GAIA e xBench-DS) dimostrano che TodoEvolve supera sistematicamente i moduli di pianificazione progettati a mano:

Incremento di Performance: L'integrazione di TodoEvolve con il framework Smolagents ha portato a un miglioramento del 16,37% sul benchmark GAIA.
Generalizzazione: Il sistema funziona efficacemente con diversi modelli di base (GPT-5-mini, DeepSeek V3.2, Kimi K2), dimostrando che la capacità di "progettare piani" è una competenza trasferibile e indipendente dalla conoscenza specifica del modello esecutore.
Efficienza: Nonostante la complessità aggiuntiva del meta-planning, il sistema mantiene costi API e tempi di esecuzione competitivi, evitando la "burocrazia" di piani eccessivamente complessi ma inutili.

5. Significato e Impatto

Il lavoro di TodoEvolve segna un cambio di passo fondamentale nell'intelligenza artificiale agente: si passa da agenti che seguono protocolli statici a agenti capaci di auto-evoluzione architettonica.
Questo approccio suggerisce che il futuro degli agenti autonomi non risiede solo nel rendere i modelli più grandi o più intelligenti, ma nel rendere le loro "impalcature logiche" (scaffolding) dinamiche e capaci di adattarsi alla complessità del mondo reale.