Self-Evolving Software Agents
Dit artikel introduceert een zelfevoluerende software-agentarchitectuur die BDI-redenering integreert met grote taalmodellen om doelen, redenering en uitvoerbare code autonoom bij te werken op basis van ervaring, waarbij zowel de haalbaarheid als de huidige beperkingen van door LLM-gedreven software-evolutie in dynamische multi-agentomgevingen worden aangetoond.
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 een robotkok voor. In het verleden, als je wilde dat deze kok leerde een cake te bakken, moest een menselijke programmeur gaan zitten en het receptenboek van de kok herschrijven. De kok kon de instructies perfect volgen, maar kon niet besluiten om zelf een nieuw recept te bedenken. Het zat vast aan de doelen en vaardigheden die het bij de bouw waren gegeven.
Dit artikel introduceert een nieuw soort "zelfevoluerend" software-agentsysteem dat werkt als een kok die niet alleen recepten volgt, maar ook nieuwe kan schrijven, zijn eigen kookfilosofie kan veranderen en zelfs nieuwe keukengereedschappen kan bouwen terwijl het aan het werk is.
Hier is hoe de auteurs, Marco Robol en Paolo Giorgini, deze doorbraak uitleggen:
Het Probleem: De "Hard-Set" Robot
Momenteel zijn de meeste slimme computerprogramma's (agents) als GPS-systemen. Ze kunnen je een andere route geven als er file staat (ze passen zich aan de omgeving aan), maar ze kunnen niet besluiten om hun bestemming te veranderen of een nieuwe manier te bedenken om daar te komen. Hun doelen en regels zijn "hard-coded" door mensen voordat ze beginnen. Ze kunnen zich aanpassen, maar ze kunnen niet echt evolueren.
De Oplossing: Een Twee-Hersenen Systeem
De auteurs stellen een systeem voor dat twee krachtige ideeën combineert:
- BDI (Belief-Desire-Intention / Overtuiging-Verlangen-Intentie): Denk hierbij aan de "dagelijkse hersenen" van de agent. Het kijkt voortdurend naar de wereld, beslist wat het wil doen en kiest een plan om dat te doen.
- LLM (Large Language Model / Groot Taalmodel): Dit is de "creatieve architect". Het is het deel van de AI dat taal kan begrijpen, nieuwe ideeën kan bedenken en code kan schrijven.
De magie gebeurt door een speciale "Evolutiemodule" toe te voegen die naast de dagelijkse hersenen draait.
Hoe Het Werkt: De "Avondschool" Analogie
Stel je de agent voor als een student die overdag werkt (de BDI-lus). Als het een probleem tegenkomt dat het niet kan oplossen – zoals het proberen openen van een deur zonder klink – geeft het niet op.
In plaats daarvan pauzeert het en roept het zijn "Avondschool" (de Evolutiemodule) te hulp. Deze module werkt als een leraar die zegt:
- "Je bent gefaald omdat je geen gereedschap hebt voor dit."
- "Laten we een nieuw doel bedenken: 'Vind een manier om de deur open te maken'."
- "Laten we een nieuw plan schrijven en zelfs een nieuw gereedschap (code) bouwen om het te doen."
De agent probeert vervolgens dit nieuwe plan. Als het werkt, behoudt het het nieuwe gereedschap en het nieuwe doel in zijn permanente geheugen. Als het faalt, gooit het het idee weg. Na verloop van tijd bouwt de agent een bibliotheek van zijn eigen uitvindingen, waardoor het zijn eigen "DNA" verandert zonder dat een menselijke programmeur de code aanraakt.
Het Experiment: Leren van Nul Af
Het team bouwde een prototype en plaatste het in een drukke, veranderende digitale wereld (geïnspireerd op een etenbezorg-app). Ze gaven de agent bijna niets om mee te beginnen – slechts een basisbeschrijving van de wereld en een paar eenvoudige gereedschappen. Ze vertelden het niet wat het moest doen.
De Resultaten:
- Succes: De agent bedacht zelf dat het bepaalde dingen moest doen (zoals een pakket bezorgen) en schreef de code om het te doen. Het ontdekte nieuwe doelen en creëerde nieuw gedrag vanuit bijna nul voorkennis.
- De Haken: Het artikel geeft toe dat het systeem nog niet perfect is. Soms, wanneer de omgeving te ingewikkeld wordt, heeft de agent moeite om zijn oude succesvolle trucs te onthouden of zijn nieuwe gedrag stabiel te houden. Het is als een student die een nieuwe wiskundige formule leert, maar vergeet hoe hij basisoptelling moet doen.
De Conclusie
Dit artikel laat zien dat we software kunnen bouwen die niet alleen orders volgt, maar zichzelf nieuwe vaardigheden kan leren en zijn eigen instructiehandleiding kan herschrijven. Hoewel het nog een prototype is met enkele groeipijnen (specifiek met betrekking tot stabiliteit en het onthouden van eerdere lessen), bewijst het dat het idee van software die zichzelf evolueert, mogelijk is. De volgende stap is het leren van deze agents hoe ze hun lessen beter vast te houden, zodat ze ze niet vergeten wanneer de dingen chaotisch worden.
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.