مقاله‌ی arXiv:2610.05039 · در صف خبرنامه
Causal Improvement Graph for Agentic Harness Optimization
گراف بهبود علّی برای بهینه‌سازی هارنس ایجنت: بیرون بردن وضعیت بهبود از ذهن پیشنهاددهنده
- تاریخ
- (۱۲ مهر ۱۴۰۵) 2026-10-04 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Junjie Zhang, Shunyu Liu, Haoyu Wang, Ting-En Lin, Yongbin Li, Dacheng Tao
- نهاد نویسنده‌ها
- Generative AI Lab, College of Computing and Data Science, Nanyang Technological University; Tongyi Lab, Alibaba Group
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
هارنس ایجنت زمان اجرایی است که کانتکست تسک را می‌سازد و جریان اجرا را کنترل می‌کند. روش‌های متاهارنس موجود عمدتاً پیشنهاددهنده‌محورند: یک مدل زبانی یافته‌های آزمایشی انباشته را یکجا می‌کند تا بازنگری بعدی را تعیین کند. این کار بار نگه داشتن وضعیت بهبود را با رشد تاریخچه بر دوش پیشنهاددهنده می‌گذارد و منطق آزمایش‌ها سخت‌تر قابل تشخیص می‌شود.
روش
چارچوب CIG وضعیت بهبود را در یک گراف پایدار بیرونی می‌کند تا یافته‌های قبلی مستقیم بهینه‌سازی بعدی را از طریق عملیات محلی پیشنهاددهنده هدایت کنند. گره‌های شاهد، فرضیه، مداخله و نتیجه رشد می‌کنند و به هم وصل می‌شوند تا نشان دهند چه مشاهده شد، چطور ممکن است توضیح داده شود، چطور آن توضیح آزموده شود و ارزیابی چه نشان داد. رابطه‌های ساختاری تغییر وضعیت بهبود را در دورها نگه می‌دارند.
یافته‌ها
- در تسک‌های ایجنتی مختلف، هارنس‌های قوی‌تری از پایه‌های متاهارنس قبلی کشف کرد.
- نسبت به انتخاب حل‌کننده‌ی تسک و پیشنهاددهنده مستحکم ماند، و آزمایش‌های حذفی ساختاری طراحی وضعیت بهبود صریح با تکامل گراف‌محور را تأیید کرد.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد و چکیده عدد مشخصی برای اندازه‌ی بهبود نمی‌دهد.
چرا مهم است
بهینه‌سازی خودکار هارنس شبیه یک پژوهش علمی کوچک است. این کار نشان می‌دهد ثبت ساختاریافته‌ی شواهد، فرضیه‌ها و نتیجه‌ها، مثل دفترچه‌ی آزمایشگاه، جست‌وجو را مؤثرتر می‌کند.