مقاله‌ی arXiv:2610.23599 · در صف خبرنامه
From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents (CDSE)
- تاریخ
- (۲۴ مهر ۱۴۰۵) 2026-10-16
- نویسنده‌ها
- Yewei Zhao, Derong Xu, Wei Chen, Yin Xu, Peilun Zhou, Xiaohan Wang
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
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 یک اجرا می‌تواند چند جور درس کاملاً متفاوت بدهد. مثال خود مقاله یک کار با اکسل است: «اول ساختار فایل را ببین، بعد دست به کار شو»، «قبل از مقایسه واحدها را چک کن»، «برای اینکه فرمول‌ها خراب نشوند از فلان کتابخانه استفاده کن» و «مرتب‌سازی تکراری را با یک اسکریپت خودکار کن». نویسنده‌ها ۵۰۰ اسکیل پرطرفدار را بررسی کردند و تقریباً همه‌شان (۹۶٫۸ درصد) دست‌کم دو جور از این دانش‌ها را قاطی هم داشتند.
روش: روش CDSE هر اسکیل را به چهار بخش جدا تقسیم می‌کند:
- بخش «متا»: قاعده‌های کنترل کار، مثل اینکه کی برنامه بریزد، کی نتیجه را چک کند و کی دست بکشد.
- بخش «تجربه»: نکته‌های مخصوص یک موقعیت و راه‌های جبران خطا.
- بخش «ابزار»: طرز درست استفاده از یک ابزار مشخص.
- بخش «اسکریپت»: برنامه‌ای قابل‌اجرا که خودکار تست می‌شود.
سیستم اجراهای موفق و ناموفق را کنار هم می‌گذارد، می‌بیند در اجرای موفق چه کاری فرق داشت و آن را به شکل یک درس کوتاه می‌نویسد. بعد هر درس را به بخش مناسبش می‌فرستد و هر بخش را به روش خودش به‌روز و چک می‌کند. هر بخش یک توضیح کوتاه هم دارد تا ایجنت فقط وقتی لازم است بازش کند.
یافته‌ها:
- روی شش بنچمارک (پرسش از اسناد اداری، اکسل، جست‌وجو، ریاضی، رفع باگ در SWE-Pro و خودکارسازی کارهای تجاری)، با سه مدل باز (GLM-5.2، DeepSeek-V4-Flash و MiniMax-M3) و دو هارنس کلاد کد و کدکس، در هر ۳۶ ترکیب از همه‌ی روش‌های رقیب بهتر بود. برای نمونه، با GLM-5.2 در کلاد کد، سهم باگ‌های حل‌شده در SWE-Pro از ۶۰ به ۶۸ درصد رسید. فاصله با بهترین رقیب اما به‌طور میانگین فقط حدود ۳ امتیاز است.
- اگر همان درس‌ها را در یک اسکیل یکپارچه بریزند، بیشتر این بهبود از بین می‌رود. در بنچمارک کارهای تجاری، امتیاز بدون اسکیل حدود ۲۱ بود، با روش کامل به ۳۳ رسید، ولی با نسخه‌ی یکپارچه فقط به ۲۴. پس سود اصلی از جدا نگه داشتن درس‌هاست، نه فقط از پیدا کردنشان.
- قاعده‌های بخش «متا» به کارهای دیگر هم منتقل می‌شوند (در ۹ مورد از ۱۰ کمک کردند)، اما نکته‌های «ابزار» و «اسکریپت» تقریباً فقط در همان محیط به کار می‌آیند. اسکیلی که در کلاد کد ساخته شد، در کدکس هم کمک کرد.
- بیشتر بهبود در همان دور اول به دست آمد و دورهای بعدی سود کمی داشتند.
محدودیت‌ها: همه‌ی دورها روی یک مجموعه‌ی ثابت از اجراهای قبلی انجام شده، پس معلوم نیست در محیطی که مدام عوض می‌شود هم بهتر شدن ادامه پیدا کند. فقط سه مدل باز آزموده شده‌اند و خود نویسنده‌ها می‌گویند تقسیم چهاربخشی تنها تقسیم ممکن نیست. در صفحه‌ی مقاله هم لینکی به کد پیدا نشد.