مقاله‌ی arXiv:2610.22984 · در صف خبرنامه
Self-Evolving Agents Can Repair Failures but Struggle to Generalize from Them
ایجنت‌های خودتکامل از شکست‌هایشان یاد می‌گیرند همان کار را درست کنند، ولی نه کارهای تازه را
- تاریخ
- (۲۴ مهر ۱۴۰۵) 2026-10-16 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Weixiang Zhao, Yichen Zhang, Yanyan Zhao, Jinming Bai, Bin Liang, Ruifeng Xu, Bing Qin, Ting Liu
- نهاد نویسنده‌ها
- Harbin Institute of Technology, The Chinese University of Hong Kong
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایده‌ی «خودتکاملی» این است که ایجنت از تجربه‌هایش یاد بگیرد و به مرور بهتر شود. اما بیشتر روش‌ها به مسیرهای موفق یا یک ارزیاب بیرونی تکیه دارند. سؤال این مقاله این است: اگر ایجنت از صفر شروع کند و فقط شکست‌هایش را داشته باشد، بدون هیچ راهنمایی ممتاز، باز هم بهتر می‌شود؟
روش
نویسنده‌ها این وضعیت را «تکامل از صفر فقط با شکست» تعریف کرده‌اند و سه روش خودتکاملی را با چند مدل پایه در چهار محیط تعاملی (وب و محیط‌های فیزیکی شبیه‌سازی‌شده) آزموده‌اند. بعد شرط‌ها را کم‌کم شل کرده‌اند تا ببینند بازخورد یک داور، تعامل بیشتر یا مسیرهای موفق چقدر کمک می‌کند.
یافته‌ها
- یک «شکاف ترمیم و تعمیم» ثابت دیده شد: تجربه‌ای که از شکست می‌آید کمک می‌کند همان تسک شکست‌خورده دوباره درست انجام شود، اما روی تسک‌های تازه به‌ندرت بهبود پایدار می‌دهد.
- ایجنت‌ها اغلب علت شکستشان را اشتباه تفسیر می‌کنند، و حتی تجربه‌ای که درستی‌اش تأیید شده هم به‌سختی به کارهای دیگر منتقل می‌شود.
- بازخورد داور و تعامل بیشتر سود کمی دارد، ولی داشتن مسیرهای موفق انتقال به تسک‌های تازه را به‌طور چشمگیری بهتر می‌کند.
محدودیت‌ها
نویسنده‌ها می‌گویند بنچمارک‌ها مجموعه‌ی محدودی از کارهای وب و فیزیکی‌اند و همه‌ی موقعیت‌های دنیای واقعی، مثل تعامل چند ایجنت یا ورودی‌های چندرسانه‌ای، را پوشش نمی‌دهند. تعداد دورهای تکامل هم محدود بوده است.
چرا مهم است
خیلی از ادعاهای «ایجنتی که خودش بهتر می‌شود» روی همان تسک‌هایی سنجیده می‌شوند که ایجنت قبلاً دیده است. این مقاله نشان می‌دهد درست کردن یک شکست دیده‌شده با یاد گرفتن یک مهارت عمومی فرق دارد، و هنوز بدون نمونه‌ی موفق، دومی به دست نمی‌آید.