AI-agenter som faktiskt lär sig av sina misstag – utan att behöva tränas om
Forskare har löst ett klassiskt problem med driftsatta AI-agenter: att de glömmer allt mellan varje session. Genom att låta agenten spara erfarenheter som läsbara regler i ett externt minne – utan att röra själva modellens vikt – ökade framgångsfrekvensen 2,6 gånger jämfört med baslinjen, och 22 uppgifter som agenten aldrig klarade löstes plötsligt. Det smarta är att minnet dessutom fungerar mellan olika modeller – Claude och Mistral kan dela varandras inlärning.
Djupdykning
De flesta AI-agenter idag är som en ny praktikant som glömmer allting varje dag – modellen är "fryst" vid driftsättning, vilket innebär att vikterna inte uppdateras och inga lärdomar bärs vidare mellan sessioner. Det här pappret löser det problemet utan att röra modellen alls: istället skriver agenten ner vad den lärde sig från varje uppgift som läsbara regler på naturligt språk och sparar dem i ett externt minne som hämtas vid nästa liknande situation. Signalen som driver lärandet är antingen ett enkelt tummen upp/ner-resultat eller en mänsklig korrigering efteråt – inget fancy träningsinfrastruktur, ingen finjustering. Resultaten är rätt häpnadsväckande: med bara enkla resultatverdikter klarar agenten 1,6 gånger fler uppgifter än baseline, och med faktiska korrigeringar 2,6 gånger – och 22 uppgifter som aldrig fungerade börjar fungera. Det de flesta missar är portabilitetsfyndet: minnets som byggdes av en modell förbättrade en helt annan modell när den läste det. Det antyder att de distillerade reglerna fångar något genuint om uppgiftsstrukturen snarare än att bara råka passa en specifik modells beteendemönster – och det öppnar för en framtid där organisationer delar eller säljer ackumulerad domänkunskap i regelformat snarare än att låsa in den i proprietära vikter.