Improving Coherence and Persistence in Agentic AI for System Optimization
Dit paper introduceert Engram, een agentische architectuur die coherentie en persistentie verbetert door onderzoekcycli te ontkoppelen van contextlimieten via een digitaal archief en een samenvatting van inzichten, waardoor superieure systeemoptimalisatie wordt bereikt in diverse domeinen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een groep zeer slimme, maar soms vergetelijke, digitale architecten hebt. Hun taak is om de perfecte blauwdruk te maken voor complexe computersystemen, zoals het verplaatsen van enorme hoeveelheden data over de hele wereld of het snelst mogelijk beantwoorden van vragen van een kunstmatige intelligentie.
Deze paper introduceert Engram, een slimme manier om deze digitale architecten te laten samenwerken. Om het begrijpelijk te maken, gebruiken we een paar analogieën.
Het Probleem: De "Vergetelijke" Meesters en de "Stuck" Simulanten
Voor Engram bestonden er twee manieren om deze problemen op te lossen, maar beide hadden grote gebreken:
De Evolutionaire "Gokkers" (Zoals OpenEvolve):
- Hoe het werkt: Je laat een computer duizenden kleine variaties van een code maken. Die met de beste score (bijvoorbeeld de goedkoopste route) wint, en daarop worden weer kleine variaties gebaseerd.
- Het probleem: Dit is alsof je een berg probeert te beklimmen door alleen kleine stapjes te zetten. Als je een grote sprong nodig hebt om een diepe vallei over te steken (een fundamenteel nieuwe idee), blijven deze "gokkers" vastzitten in de buurt van hun huidige plek. Ze durven geen grote sprong te wagen, zelfs niet als die nodig is om echt beter te worden. Ze blijven hangen in lokale optima (een kleine heuveltop, terwijl er ergens anders een echte bergpiek is).
De "Vergetelijke" Agenten (Zoals Glia):
- Hoe het werkt: Een slimme AI-agent denkt na, doet experimenten en past het ontwerp aan.
- Het probleem: Deze agenten hebben een korte geheugenband. Als ze te lang aan één probleem werken, raken ze de draad kwijt. Ze vergeten waarom ze iets deden, of ze raken verward door te veel informatie. Als je ze dan stopt en een nieuwe start geeft, begint de nieuwe agent helemaal opnieuw, alsof de vorige nooit heeft bestaan. Ze bouwen niet op elkaars kennis.
De Oplossing: Engram – Het "Onvergetelijke Dagboek"
Engram lost dit op door een nieuw systeem te creëren dat het beste van beide werelden combineert. Het werkt als een onophoudelijke onderzoeksreis met een perfect dagboek.
Stel je voor dat Engram werkt met een team van onderzoekers die elkaar afwisselen:
De Onderzoeker (De Agent):
Elke "onderzoeker" krijgt een taak. Hij of zij denkt na, schrijft code, doet experimenten en kijkt naar de resultaten. Ze werken met een schone lei (een frisse context), dus ze zijn scherp en niet verward door oude informatie.Het Dagboek (De Research Digest):
Dit is het magische deel. Als een onderzoeker klaar is, schrijft hij niet alleen de code op, maar vooral wat hij heeft geleerd.- Wat werkte?
- Wat mislukte en waarom?
- Welke grote ideeën zijn er opgedaan?
Dit wordt samengevat in een compact, leesbaar verslag: het Research Digest.
De Overdracht (De Handoff):
De volgende onderzoeker begint niet bij nul. Hij leest eerst het dagboek van de vorige. Hij ziet: "Ah, de vorige persoon heeft geprobeerd om een brug te bouwen, maar die viel in elkaar omdat het materiaal te zwaar was. Hij heeft ook ontdekt dat een tunnel een beter idee is."
De nieuwe onderzoeker begint direct met het idee van de tunnel, zonder de tijd te verliezen om de brug opnieuw te proberen.
Waarom werkt dit zo goed?
- Geen "Context Rot": Omdat elke onderzoeker een schone lei heeft, raakt hij niet verward door te veel oude informatie.
- Geen "Vastzitten": Als een onderzoeker merkt dat een idee even slechter werkt (een tijdelijke dip), leest hij in het dagboek dat de vorige persoon ook al eens een dip had voordat het beter werd. Hij geeft niet op, maar blijft doorgaan op het goede spoor.
- Kennisstapeling: De kennis groeit. De eerste onderzoeker vindt misschien een klein stukje van de puzzel, de tweede bouwt daarop, en de tiende heeft een perfect systeem.
De Resultaten in het Dagelijks Leven
De auteurs hebben Engram getest op drie moeilijke problemen:
Data verplaatsen over de wereld (Multi-Cloud Multicast):
- Analogie: Stel je voor dat je een pakket moet bezorgen aan 70 mensen in verschillende landen, maar je wilt de goedkoopste route vinden zonder dat het te lang duurt.
- Resultaat: Engram vond een route die goedkoper was dan wat de beste menselijke experts ooit hadden bedacht. De oude methoden bleven hangen in simpele, dure routes.
Snelheid van AI-vragen (LLM Request Routing):
- Analogie: Stel je voor dat een restaurant (de AI) honderden bestellingen krijgt. De ober (de router) moet beslissen welke kok welke bestelling maakt, zodat niemand te lang wacht.
- Resultaat: Engram bedacht een slimme strategie om bestellingen te verdelen, waardoor klanten gemiddeld sneller hun eten kregen dan met de oude, door mensen bedachte methoden.
Database optimalisatie:
- Analogie: Het ordenen van boeken in een bibliotheek zodat je ze sneller vindt.
- Resultaat: Engram vond een manier om de boeken te ordenen die net zo goed was als de beste menselijke methoden, maar veel sneller gevonden.
Conclusie
Engram is als het hebben van een team van genieën die elkaar nooit vergeten. Ze werken niet in silo's, en ze geven niet op als het even tegenzit. Door hun ervaringen te noteren in een gedeeld dagboek, bouwen ze stap voor stap op elkaars schouders. Het resultaat is dat ze complexe systemen beter kunnen optimaliseren dan de beste menselijke experts of eerdere AI-methoden ooit konden.
Het is de overgang van "probeer maar wat" naar "leren, onthouden en verbeteren".
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.