Strategist automatiserar den del av AI-agenter som ingen tänkte på att förbättra
Forskare har byggt Strategist, en meta-agent som automatiskt utvecklar och återanvänder resonemangstrategier (de instruktioner som styr hur en AI löser ett problem) – något som hittills skrivits för hand inför varje nytt uppdrag. På 30 olika tester slog systemet den starkaste jämförelsemodellen på 24 av dem, med liknande träffsäkerhet (74,7 % mot 74,0 %) men 39 % lägre beräkningskostnad. Det intressanta är att strategierna även fungerar på uppgifter och modeller systemet aldrig tränat på – vilket antyder att den här typen av 'strategi-bibliotek' kan bli en återanvändbar resurs snarare än engångslösningar.
Djupdykning
De flesta diskussioner om AI handlar om modellerna själva – GPT-4 vs Claude vs Gemini – men det är bara halva bilden. Den andra hälften är inferensstrategin, alltså koden som bestämmer *hur* modellen tänker: ska den dela upp problemet i steg? Dubbelkolla sitt svar? Fråga sig själv om den missat något? Hittills har den här koden skrivits för hand av ingenjörer, och varje ny uppgift har börjat från noll. Strategist löser det genom att låta ett meta-agentsystem automatiskt skriva, testa och förfina dessa strategier, och sedan spara dem i ett bibliotek så att nästa uppgift kan bygga vidare på vad systemet redan lärt sig – ungefär som att gå från att uppfinna hjulet varje gång till att faktiskt ha ett förråd med verktyg. Det verkligt underskattade här är kostnadsaspekten: 39% lägre inferenskostnad vid i princip samma noggrannhet betyder att det här inte bara är ett akademiskt trick, utan något som faktiskt spelar roll i produktionsmiljöer där varje API-anrop kostar pengar. Om strategierna dessutom överförs till andra modeller utan ny sökning innebär det att den kollektiva intelligensen i biblioteket är portabel – vilket förskjuter konkurrensfördelarna från "vem har bäst modell" till "vem har bäst bibliotek av beprövade resonemangsmönster."