مقاله‌ی arXiv:2610.17953 · در صف خبرنامه
Agent-Reflex: Teaching Language Agents to Act Reflectively
آموزش بازتاب پیشگیرانه به ایجنت‌ها، برای کنار آمدن با بازخورد پرنویز ابزارها و اصلاح کاربر
- تاریخ
- (۲۱ مهر ۱۴۰۵) 2026-10-13 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Guanting Dong, Xinyu Yang, Jiajie Jin, Yuyang Hu, Xiaoshuai Song, Yifei Chen, Xiaoxi Li, Jiejun Tan, Yutao Zhu, Tat-Seng Chua, Ji-Rong Wen, Zhicheng Dou
- نهاد نویسنده‌ها
- Gaoling School of Artificial Intelligence, Renmin University of China; National University of Singapore
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
در استقرار واقعی، سرویس‌های ابزاری MCP ممکن است بازخورد پرنویز برگردانند و کاربر ممکن است برای اصلاح ایجنت دخالت کند؛ مثلاً یک API خطای مبهم برمی‌گرداند یا کاربر وسط کار می‌گوید «نه، فایل دیگر را منظور داشتم». روش‌های موجود نظارت کمی برای یادگیری بازتاب و بازیابی از شکست می‌دهند.
روش
چارچوب Agent-Reflex سه مرحله دارد. اول، کشف مهارت بازتاب: اختلال‌های واقع‌بینانه در بازخورد ابزار به محیط‌ها تزریق می‌شود، از مجموعه‌ای از مدل‌ها با توانایی‌های متنوع نمونه گرفته می‌شود، جفت‌های موفق و ناموفق مطابق استخراج می‌شوند و مهارت‌های کلی بازتاب خلاصه می‌شوند. دوم، آموزش نظارت‌شده‌ی بازتابی هر مهارت را به نظارت برای خودبازتابی، بازیابی و اصلاح با محوریت کاربر تبدیل می‌کند. سوم، روش ORPO یادگیری تقویتی ایجنتی در تعامل پرنویز را با تقطیر روی سیاستِ هدایت‌شده با بازتاب ترکیب می‌کند.
یافته‌ها
- بر پایه‌ی Qwen3-8B، به امتیاز کلی ۵۸٫۶ روی پنج بنچمارک استفاده‌ی طولانی از ابزار و ۲۹٫۱ روی AgentNoiseBench رسید، بالاتر از پایه‌های قوی بزرگ کردن محیط و بازتاب.
- مقاومت ایجنت در برابر نویز را بهتر کرد و پویایی آموزش پایدار ماند.
محدودیت‌ها
نویسنده‌ها می‌گویند کتابخانه‌ی مهارت بازتاب به‌طور آفلاین از یک عکس فوری ثابت از محیط‌ها استخراج شده و با تغییر رابط ابزار، رفتار سرویس یا پویایی محیط خودکار تطبیق نمی‌یابد. کار هنوز در جریان است.
چرا مهم است
ابزارهای واقعی همیشه پاسخ تمیز نمی‌دهند و کاربران وسط کار نظرشان را عوض می‌کنند. این کار نشان می‌دهد می‌شود واکنش درست به این موقعیت‌ها را به‌طور نظام‌مند آموزش داد.