AutoAgent: Evolving Cognition and Elastic Memory Orchestration for Adaptive Agents

AutoAgent is een zelfevoluerend multi-agent framework dat adaptiviteit in dynamische omgevingen verbetert door evolutie van cognitie, contextuele besluitvorming en elastische geheugenorkestratie te combineren om langdurig leren en real-time beslissingen te verenigen zonder externe hertraining.

De kern

Stel je voor dat je een zeer slimme, digitale assistent hebt. De huidige versies van deze assistenten zijn als een student die een examen moet doen met een oude, statische studiegids. Die gids is perfect geschreven door een mens, maar hij verandert nooit. Als de assistent een fout maakt, of als een tool (zoals een zoekmachine) zich anders gaat gedragen, blijft de assistent vastlopen in zijn oude kennis. Hij weet niet dat hij zijn "gids" moet aanpassen.

AutoAgent is de oplossing voor dit probleem. Het is een nieuw soort digitale assistent die niet alleen werkt, maar ook leert terwijl hij doet. Het is alsof je assistent niet alleen een gids heeft, maar ook een levend dagboek en een snel herschrijfbaar geheugen.

Hier is hoe AutoAgent werkt, vertaald naar alledaagse termen:

1. De Drie Pijlers van AutoAgent

Het systeem rust op drie krachtige onderdelen die samenwerken:

A. Evoluerende Cognitie (Het Levende Handboek)

Stel je voor dat je assistent een handboek heeft over wat hij kan en welke hulpmiddelen hij heeft.

• Huidige situatie: Dit handboek is vastgezet. Als de assistent een knop per ongeluk verkeerd gebruikt, staat er in het handboek nog steeds: "Deze knop werkt altijd."
• AutoAgent: Het handboek is dynamisch. Als de assistent merkt dat een tool soms faalt, schrijft hij zelf een nieuwe regel in zijn handboek: "Let op: deze tool werkt niet als het internet traag is." Hij leert dus van zijn eigen ervaringen en past zijn kennis direct aan, zonder dat een mens hoeft in te grijpen.

B. Contextuele Beslissingen (Het Slimme Kompas)

In plaats van een starre routeplanner te volgen (eerst stap A, dan stap B, dan stap C), heeft AutoAgent een kompas.

• Huidige situatie: Als je een reisplanner hebt die zegt "Ga eerst naar Parijs, dan naar Londen", en je komt erachter dat de trein naar Parijs stopt, blijft de planner vastlopen.
• AutoAgent: Hij kijkt naar het moment. Hij denkt: "Oké, de trein naar Parijs is weg. Ik heb twee opties: ik probeer het zelf op te lossen (een eigen idee bedenken) of ik vraag hulp aan een specialist (een andere agent)." Hij kiest op dat exacte moment de beste weg, gebaseerd op wat hij nu weet.

C. Elastisch Geheugen (De Slimme Archivarist)

Dit is misschien wel het coolste deel. Stel je voor dat je een gesprek voert dat duurt urenlang.

• Huidige situatie: De assistent probeert elk woord van dat gesprek letterlijk te onthouden. Het wordt een enorme, rommelige stapel papier die steeds dikker wordt. Uiteindelijk kan hij de belangrijke details niet meer vinden in die rommel.
• AutoAgent: Hij heeft een slimme archivarist (de "Elastic Memory Orchestrator").
  • Hij houdt het originele gesprek veilig (voor als je het echt nodig hebt).
  • Maar voor het dagelijks werk maakt hij samenvattingen. Hij zegt: "Die eerste 10 minuten waren saai, laten we dat samenvatten in één zin." Of: "Die ene discussie was cruciaal, laten we die in een apart dossier stoppen."
  • Hierdoor blijft zijn "werkruimte" schoon en overzichtelijk, maar verliest hij nooit de belangrijke informatie.

2. Hoe leert hij? (De Cyclus van Verbetering)

AutoAgent werkt in een cirkel, net als een sporter die traint:

1. Actie: Hij doet iets (bijvoorbeeld: een zoekopdracht doen).
2. Resultaat: Het werkt of het faalt.
3. Reflectie: Hij kijkt terug: "Waarom lukte het niet? Was mijn handboek onvolledig? Was mijn geheugen te rommelig?"
4. Aanpassing: Hij schrijft zijn eigen handboek en zijn archief aan.
5. Volgende keer: Hij is slimmer dan de vorige keer.

Dit gebeurt zonder dat iemand hem opnieuw moet programmeren. Hij evolueert zichzelf.

3. Wat levert dit op?

In de tests die de auteurs hebben gedaan, bleek AutoAgent veel beter te zijn dan de oude modellen:

• Bij het zoeken naar informatie: Hij vindt sneller het juiste antwoord door slim te kiezen welke bronnen hij moet gebruiken.
• Bij complexe taken: Hij kan langere taken voltooien zonder de draad kwijt te raken, omdat zijn geheugen slim wordt beheerd.
• Bij samenwerking: Als hij met andere digitale agenten werkt, leert hij snel wie goed is in wat. Hij vraagt niet meer aan de verkeerde persoon om hulp, maar aan de specialist die hij zelf heeft leren kennen.

Conclusie

AutoAgent is als het verschil tussen een robot die een script afleest en een menselijke expert die ervaring opdoet.

• De robot doet precies wat er staat, ook als de situatie veranderd is.
• AutoAgent past zich aan, schrijft zijn eigen regels bij, houdt zijn geheugen overzichtelijk en wordt met elke taak die hij uitvoert beter.

Het is een stap in de richting van echte, zelfstandige digitale helpers die niet alleen "slim" zijn, maar ook wijs worden door ervaring.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "AutoAgent: Evolving Cognition and Elastic Memory Orchestration for Adaptive Agents" in het Nederlands.

Probleemstelling

Bestaande frameworks voor autonome agenten kampen met drie fundamentele beperkingen die hun aanpassingsvermogen in open-ended en niet-stationaire omgevingen beperken:

1. Statische Cognitie: Agenten werken met vaste, door mensen geschreven prompts voor hulpmiddelen, vaardigheden en samenwerking. Deze kunnen niet worden bijgewerkt op basis van ervaring, wat leidt tot rigide en suboptimale beslissingen (bijv. het herhaaldelijk misbruiken van een tool vanwege onvolledige documentatie).
2. Rigiditeit in Workflow: Probleemoplossing is vaak afhankelijk van vooraf gedefinieerde, lineaire workflows. Agenten kunnen zich moeilijk aanpassen aan onverwachte uitkomsten of nieuwe situaties, omdat hun beslissingslogica niet dynamisch is.
3. Inefficiënt Contextbeheer: Bestaande systemen behandelen geschiedenis vaak als ruwe tekst die aan de prompt wordt toegevoegd. Dit leidt tot token-redundantie, vertraagde redeneerprocessen en moeite met het ophalen van relevante informatie. Er ontbreekt een mechanisme om ervaring actief te structureren in bruikbare kennis (zoals episodisch geheugen of herbruikbare vaardigheden).

Methodologie: Het AutoAgent Framework

AutoAgent is een zelf-evoluerend multi-agent framework dat drie nauw gekoppelde componenten integreert om een gesloten lus van adaptief leren te creëren.

1. Evolving Cognition (Ontwikkelende Cognitie)

Cognitie wordt niet als statisch gezien, maar als een gestructureerde, updatbare toestand van de agent. Deze bestaat uit twee facetten:

• Interne Cognitie: Kennis over de eigen hulpmiddelen (tools) en vaardigheden (skills). Dit omvat niet alleen API-omschrijvingen, maar ook dynamisch geleerde precondities, foutpatronen en succesvolle gebruiksscenario's.
• Externe Cognitie: Een model van de omgeving en andere agenten (peers). Dit omvat dynamische profielen van collega-agenten (expertise, betrouwbaarheid) en schattingen van omgevingsfeedback.
  Deze cognitie wordt continu verfijnd op basis van uitvoeringsresultaten zonder externe hertraining van het onderliggende LLM.

2. Contextual Decision-Making (Contextuele Besluitvorming)

In plaats van starre workflows, gebruikt AutoAgent een iteratieve cyclus van Selecteren, Uitvoeren en Bijwerken. De agent kiest dynamisch uit een unificatie actie-ruimte:

• Emic Acties: Zelfgestuurde probleemoplossing (bijv. code genereren, tools aanroepen op basis van interne kennis).
• Etic Acties: Strategisch hulp zoeken of samenwerken met andere agenten, geleid door de externe cognitie.
  Deze keuze wordt gemaakt op basis van de huidige cognitie en de live taakcontext.

3. Elastic Memory Orchestration (Elastisch Geheugenbeheer)

Om de "context-window" limieten en token-kosten te overwinnen, introduceert AutoAgent een Elastic Memory Orchestrator (EMO). Deze module:

• Selectieve compressie: Bewaart voor elke stap zowel de ruwe data als een samenvatting (abstract).
• Dynamische ophaling: Een selector bepaalt per stap of de ruwe data, de samenvatting, of geen van beide nodig is voor de volgende beslissing.
• Episodisch geheugen: Groepeert opeenvolgende stappen in "episodes" (hogere orde abstracties) die kunnen worden opgeslagen als herbruikbare vaardigheden. Dit reduceert de contextlengte exponentieel terwijl cruciale bewijsstukken behouden blijven.

4. Cognitive Self-Evolution (Zelf-evolutie)

Dit is de leerlus die de bovenstaande componenten verbindt. Na elke taakanalyseert een module de trajecten (intentie vs. resultaat) om:

• Beschrijvingen van tools en vaardigheden te corrigeren (bijv. een tool die vaak faalt, krijgt een aangepaste preconditie).
• Nieuwe samengestelde acties (composite actions) te synthetiseren uit succesvolle sequenties van eerdere taken.
• De compressiestrategieën van het geheugen te optimaliseren.

Belangrijkste Bijdragen

1. Evolving Cognition als Leren Agent-Status: Een gestructureerde, dubbelzijdige cognitie (intern/extern) die expliciet en updatbaar is, in plaats van statische prompts.
2. Unificatie van Besluitvorming: Een raamwerk dat zelfgestuurde (emic) en hulpzoekende (etic) acties verenigt in één adaptieve, contextgedreven cyclus.
3. Elastisch Geheugen: Een mechanisme dat dynamisch comprimeert en abstracties maakt, waardoor langere redeneerprocessen mogelijk zijn zonder token-overhead.
4. Gesloten Lus Zelf-Verbetering: Een systeem dat zonder menselijke tussenkomst of hertraining van het basismodel, zijn eigen kennisbase verfijnt op basis van ervaring.

Resultaten

AutoAgent werd geëvalueerd op diverse benchmarks, waaronder Retrieval-Augmented Generation (RAG), tool-gebruik en embodied agent taken.

• RAG Benchmarks: AutoAgent behaalde state-of-the-art resultaten op drie van de vier datasets (HotpotQA, 2WikiMultihopQA, Bamboogle) met een gemiddelde nauwkeurigheid van 0.530 op HotpotQA (vs. 0.434 voor de tweede beste methode, IRCoT).
• Tool-Augmented Agents (GAIA, HLE-Bench):
  • Op gesloten modellen (bijv. Gemini-3-Pro) overtrof AutoAgent de sterke baseline DeepAgent met 27,2 procentpunten (54,5% vs 27,3%).
  • Op open-source modellen (zoals DeepSeek-R1) behaalde het een algehele score van 52,1% op GAIA, significant hoger dan ReAct (41,2%) en DeepAgent (20,6%).
• Embodied Tasks (ALFWorld): AutoAgent bereikte een succespercentage van 99,3% op Gemini-modellen, wat de robuustheid in complexe omgevingen aantoont.
• Ablatie Studies: Experimenten toonden aan dat het verwijderen van de EMO-module of de cognitie-updates leidde tot significante prestatieverliezen. Vooral de aanpassing aan instabiele tools (simulatie van 50% faalkans) toonde aan dat evoluerende cognitie de agent helpt om onbetrouwbare acties te identificeren en te mijden.

Betekenis en Impact

AutoAgent biedt een praktische en uniforme basis voor autonome agenten die moeten leren van ervaring terwijl ze betrouwbare, contextbewuste beslissingen nemen in dynamische omgevingen. Het paper beweert dat de integratie van evoluerende cognitie, contextuele besluitvorming en elastisch geheugenbeheer een paradigmaverschuiving is van statische, door mensen ontworpen agenten naar systemen die zichzelf kunnen verbeteren. Dit maakt agenten beter geschikt voor complexe, real-world toepassingen waar tools, partners en omstandigheden voortdurend veranderen. De code is open-source beschikbaar gesteld.