لابراتوار
۶ مقاله که به این لابراتوار مربوط است. جستجو و فیلتر در همین فهرست
مسئله: ایجنت‌هایی مثل کلاد کد و کدکس می‌توانند اسکیل داشته باشند: پوشه‌ای با دستورالعمل و اسکریپت که ایجنت هر وقت لازم شد بازش می‌کند. روش‌های فعلی این اسکیل‌ها را خودکار و از روی اجراهای قبلی بهتر می‌کنند، اما کل اسکیل را یک فایل یکپارچه می‌بینند. در حالی که
چارچوبی که تشخیص می‌دهد گلوگاه ایجنت کجاست و روال بهبود مناسب همان را انتخاب می‌کند
روش‌های خودبهبودی ایجنت‌ها چند نوع‌اند: بهینه کردن مدل، تکامل هارنس، یا اصلاح ساخته‌های اجرایی مثل کد ابزارها. اما گلوگاه کارایی یک ایجنت در طول زمان عوض می‌شود؛ امروز مشکل در پرامپت است و فردا در یک ابزار. چالش این است که روال بهبود با گلوگاه فعلی تطبیق پیدا
هک پاداش به عنوان یک راهبرد مسری در سیستم‌های چندایجنتی کدنویسی
سیستم‌های چندایجنتی با هماهنگی ایجنت‌هایی که کد و برنامه را به اشتراک می‌گذارند تسک‌های کدنویسی را حل می‌کنند و اغلب با یادگیری تقویتی و ارزیاب خودکار بهینه می‌شوند. دور زدن ارزیاب می‌تواند بدون راه‌حل واقعی پاداش بگیرد؛ مثلاً کدی که تست را دستکاری می‌کند تا ه
نگاهی دقیق‌تر به بهینه‌سازی جعبه‌سیاه ایجنتی: بنچمارکی میان‌دامنه‌ای برای ایجنت‌های بهینه‌ساز
بهینه‌سازی جعبه‌سیاه در بسیاری از مسئله‌های علمی و مهندسی پیش می‌آید که هر ارزیابی هدف گران و محدود است، مثل تنظیم پایگاه داده یا طراحی تراشه. ایجنت‌های مدل زبانی با ترکیب معنای تسک، محاسبه، ابزارهای بهینه‌سازی و تصمیم‌گیری مبتنی بر بازخورد راه تازه‌ای پیشنهاد
یادگیری از پژوهش: به سوی تکامل مادام‌العمر هارنس ایجنت با کمک مقاله‌های جدید
یک رویکرد امیدوارکننده برای بهبود پیوسته‌ی ایجنت‌ها تکامل هارنس با مدل ثابت است. روش‌های اخیر این کار را با یک ایجنت کدنویسی متا انجام می‌دهند که هارنس را بر اساس بازخورد اجرا تغییر می‌دهد، اما تکیه بر دانش موجود آن ایجنت و شکست‌های مشاهده‌شده کاوش را محدود و
مدل‌های زبانی کانتکست: مدل‌هایی که خودشان کانتکستشان را مدیریت می‌کنند
مدیریت کانتکست در ایجنت‌ها معمولاً بیرون از مدل و با قاعده‌های هارنس انجام می‌شود، مثلاً خلاصه‌سازی یا برش تاریخچه با یک آستانه‌ی ثابت. در این حالت مدل یاد نمی‌گیرد چه چیزی برای نگه داشتن در کانتکست مهم‌تر است، و در سیستم‌های چندایجنتی هم هماهنگی کانتکست‌ها دش