موضوع
۲۵ مقاله با این موضوع (به انگلیسی Self-improvement). جستجو و فیلتر در همین موضوع
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
خلاصه‌ی فارسی هنوز نوشته نشده است.
ایجنت‌های خودتکامل از شکست‌هایشان یاد می‌گیرند همان کار را درست کنند، ولی نه کارهای تازه را
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 به
ایجنت کدنویسی که هم هارنسش را خودش بهتر می‌کند و هم مدلش را، به نوبت
کارایی یک ایجنت کدنویسی به دو چیز بستگی دارد: مدل (سیاست) و هارنس، یعنی پرامپت‌ها، ابزارها و قاعده‌هایی که تعامل مدل با محیط را شکل می‌دهند. این دو به هم وابسته‌اند. هارنسی که برای یک نسخه از مدل تنظیم شده، ممکن است ضعف‌های نسخه‌ی بعدی را هدف نگیرد؛ و مدلی که
ایجنت ترمینالی که به نوبت مسیرهای موفقش را بازنویسی می‌کند و سیاستش را بهتر می‌کند
ایجنت‌هایی که در ترمینال کار می‌کنند باید دو چیز را یاد بگیرند: نتیجه‌ی یک بررسی‌کننده (موفق یا ناموفق) را به به‌روزرسانی مفید مدل تبدیل کنند، و پیشرفت ناقص را به حل کامل تسک برسانند. مثلاً ایجنتی که نصف یک باگ را درست کرده، باید بفهمد چه چیزی کم است. روش Term
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
خلاصه‌ی فارسی هنوز نوشته نشده است.
هارنس و محیط اجرایی قابل تأیید به زبان Lean ۴، که برگشت‌پذیری را مبنای کنار گذاشتن انسان از حلقه می‌کند
کار مفید ایجنت‌ها در طول ساعت‌ها و روزها، از راه ابزارها، بین ایجنت‌های متعدد و انسان‌ها، و بیشتر با کدی که خود ایجنت‌ها می‌نویسند انجام می‌شود. از سه شرکت‌کننده‌ی این محاسبه، یعنی انسان، مدل و کد، فقط توجه انسان مقیاس‌پذیر نیست؛ پس محاسبه فقط وقتی بزرگ می‌شود
حافظه‌ی سه‌لایه‌ی خودنگهدار برای ایجنت‌ها، که فراموش می‌کند و درباره‌ی تجربه‌های گمراه‌کننده هشدار می‌دهد
ایجنت‌های مدل زبانی می‌توانند در زمان اجرا با انباشتن تجربه خودشان را بهتر کنند. اما بیشتر حافظه‌ها تک‌سطحی‌اند: مسیرها، گردش‌کارها و درس‌ها همه در یک مخزن بی‌ساختار با شباهت امبدینگ ریخته می‌شوند. هرگز فراموش یا تکراری‌زدایی نمی‌کنند و دچار «انتقال منفی» می‌ش
آخرین مدل سنجش از دور که انسان ساخته؟ سپردن ساخت مدل‌های رصد زمین به ایجنت کدنویسی
مدل‌های رصد زمین هنوز دستی ساخته می‌شوند: برای هر تسک تازه، مثلاً نقشه‌ی پوشش زمین یا تشخیص کشتی در تصویر راداری، متخصص‌ها دستور آموزش طراحی می‌کنند و آن را روی یک بنچمارک تنظیم می‌کنند. نویسنده‌ها نشان می‌دهند این حلقه را می‌شود به ایجنت سپرد. هر تسک قابل تأی
چارچوبی نظری برای هارنسی که خودش را بهتر می‌کند، و شرط‌هایی که این بهبود را قابل اعتماد نگه می‌دارد
خودتکاملی هارنس یعنی اسکلت نرم‌افزاری ایجنت، شامل پرامپت‌ها، حافظه، روال‌ها و اجزای اجرایی، بازنویسی شود در حالی که وزن‌های مدل ثابت می‌ماند. اما وقتی بازنویسی‌های پذیرفته‌شده از یک اجرا به اجرای بعد می‌مانند، این سؤال پیش می‌آید که از کجا بدانیم یک بازنویسی و
ایجنت‌هایی که ربات را خودشان بهتر می‌کنند: آیا واقعاً یاد می‌گیرند یا فقط بیشتر تلاش می‌کنند؟
ایجنت‌های مدل زبانی پیشرو حالا می‌توانند ربات‌ها را خودشان بهتر کنند: کد کنترل می‌نویسند، آزمایش می‌کنند و آنچه کار کرده را به عنوان اسکیل و حافظه برای تسک بعدی نگه می‌دارند. اما دو سؤال باز است: آیا ایجنت واقعاً یاد می‌گیرد یا فقط بیشتر تلاش می‌کند؟ و آیا آنچ
آموزش بازیابی از خطا برای ایجنت‌های ترمینال، با انشعاب از وضعیت‌های شکست خود ایجنت
ایجنت‌های ترمینال در کارهای کدنویسی پیچیده توانا هستند، اما اغلب در اجرای طولانی نمی‌توانند از خطا بازیابی شوند، مثلاً از یک دستور غلط یا پیاده‌سازی معیوب، و در نهایت تسک شکست می‌خورد. ایجنت ReTerm با یادگرفتن بازیابی از تسک‌های ناموفق خودش بهتر می‌شود. یک خط
حلقه‌ی خودبهبودی برای ایجنت‌های هارنس، بدون مدل معلم بیرونی
ایجنت‌های مدل زبانی امروز در هارنس‌های عمومی کار می‌کنند و مستقیم با فایل‌ها و شل سروکار دارند. خط لوله‌های پس‌آموزش این ایجنت‌ها کم‌اند و بیشترشان یک‌باره و وابسته به معلم‌اند: یک مدل قوی‌تر بیرونی تسک و مسیر می‌سازد، مدل هدف یک بار آموزش می‌بیند و نتیجه‌ی ار
خودبهبودی بازگشتی در هر حوزه با مدل‌های جهان پیش‌بینی‌کننده، از ترمیم کد تا بهینه‌سازی واکنش شیمیایی
خودبهبودی بازگشتی می‌خواهد تجربه‌ی تعامل را به بهبود پایدار تبدیل کند، اما بازخورد بیرونی گران است و پیش‌بینی‌های مدل جهان با تکامل سیاست ممکن است غیرقابل اعتماد شوند. مثلاً در شیمی، هر آزمایش واقعی پرهزینه است و مدلی که نتیجه را پیش‌بینی می‌کند با تغییر راهبر
ممیزی خودبهبودی مبتنی بر تجربه در ایجنت‌های ماینکرفت: تجربه‌ی مرتبط انتقال پایداری نشان نداد
چالش اصلی خودبهبودی بازگشتی بدن‌مند این است که ایجنت تاریخچه‌ی تعامل را به توانایی‌ای تبدیل کند که فراتر از یک جهان بماند و به تسک‌های بعدی منتقل شود. یک حافظه‌ی ذخیره‌شده یا یک اقدام نهایی موفق به تنهایی ثابت نمی‌کند توانایی قابل استفاده‌ی دوباره‌ای به دست آم
مدل جهان ابطال‌پذیر برای ایجنت‌های خودبهبود: باورها درباره‌ی محیط به شکل فرضیه‌های قابل آزمون
ایجنت‌های خودتکامل معمولاً روش عملشان را با تجربه، بازتاب یا اسکیل بهتر می‌کنند. اما حتی ایجنتی که رویه‌ها را خوب بلد است، وقتی باورهایش درباره‌ی پویایی محیط ناقص، غلط یا کهنه باشد شکست می‌خورد. چنین باورهایی می‌توانند به چند تسک کمک کنند، ولی باور غلط هم بین
خودبهبودی بازگشتی با خودنظارتی چندایجنتی: مدلی که گردش‌کارهای چندایجنتی خودش را می‌سازد و از آن‌ها یاد می‌گیرد
خودبهبودی بازگشتی یک مدل روی تسک‌های غیرقابل تأیید مثل پژوهش باز، با گلوگاه نظارت روبه‌روست: وقتی خروجی‌ها از توان ارزیابی متخصصان انسانی فراتر می‌روند، بهترین بهینه‌ساز و ارزیاب در دسترس خود مدل است. اما یک نمونه‌ی واحد از مدل در این حلقه‌ی همگن به‌سختی استدل
ایوآلوک: ایجنت خودتکامل تخصیص منابع که ارزیابی‌های گران را در تکامل برنامه هدفمند خرج می‌کند
تکامل برنامه با مدل زبانی برای هدایت جست‌وجوی تکراری به بازخورد ارزیابی متکی است، اما ارزیابی اغلب از نظر محاسباتی گران است، پس باید منابع محدود به نامزدهایی برسد که جست‌وجو را بیشتر پیش می‌برند. روش‌های موجود در کل جست‌وجو یک راهبرد ثابت تخصیص دارند و ممکن اس
ممنتو ۳: خودبهبودی بازگشتی مدل‌محور با دفترچه‌ی قاعده‌ی بازتابی که به کد اجرایی کامپایل می‌شود
عمل در محیط ناآشنا نیاز دارد ایجنت بفهمد جهان چطور کار می‌کند و با شواهد تازه این فهم را اصلاح کند. اما مشاهده‌های محدود می‌توانند از چند مدل جهان پشتیبانی کنند که گذشته را توضیح می‌دهند ولی در وضعیت‌های دیده‌نشده پیش‌بینی متفاوت دارند. سیستم Memento ۳ به ایجن
چه کسی تأییدکننده را تأیید می‌کند؟ هم‌تکاملی داورهای قابل بازرسی با ایجنت‌های خودبهبود
هر حلقه‌ی خودبهبودی ایجنت صدها بار می‌پرسد «آیا تغییر واقعاً ایجنت را بهتر کرد؟» و پاسخ از یک تأییدکننده می‌آید. در تسک‌های باز چنین تأییدکننده‌ای وجود ندارد، پس حلقه به یک معیار دست‌نوشته یا داور مدل زبانی ساده سپرده می‌شود که خروجی مدلی شبیه خودش را داوری می
مش‌هارنس: هارنس‌های خودبهبود با تکامل ترکیبی ماژول‌ها به هدایت الگوریتم راهزن
هارنس ایجنت کدی است که کانتکست را سازمان می‌دهد، وضعیت را نگه می‌دارد و فراخوانی ابزارها را هماهنگ می‌کند. سؤال این است که چطور می‌شود هارنس را با بودجه‌ی ارزیابی محدود و وزن‌های ثابت مدل بهتر کرد، وقتی فضای ترکیب‌های ممکن بسیار بزرگ است. روش MESH-Harness هر ه
ورس: بهینه‌ساز خودتکامل تأییدشده برای هارنس‌های ایجنت
تکامل هارنس پرامپت‌ها، ابزارها و گردش‌کار یک ایجنت را بهتر می‌کند، اما ابزارها و رویه‌های خود بهینه‌ساز معمولاً ثابت می‌مانند. سؤال این است که آیا بهینه‌ساز با بهتر کردن نحوه‌ی تشخیص شکست، ساخت ویرایش و آزمودن اثرشان، ایجنت دیگر را مؤثرتر بهبود می‌دهد یا نه. د
جی‌یوآی‌هاروست: ایجنت‌های رابط گرافیکی خودبهبود با تکامل هارنس بر پایه‌ی شواهد
هارنس اجرایی اطراف یک مدل رابط گرافیکی تعیین می‌کند مشاهده‌ها چطور جمع شوند، کنش‌ها چطور اجرا شوند و تأیید، بازیابی و پایان چطور کنترل شوند. بهینه‌سازی خودکار این هارنس سه چالش به هم پیوسته دارد: تطبیق نیت مدل با اثر بصری مشاهده‌شده، تشخیص شکست زیر نتایج متغیر
ویدیو-آراس‌آی: خودبهبودی بازگشتی ایجنت‌های فهم ویدیو با تکامل هارنس
ایجنت‌های فهم ویدیو شواهد را از طریق یک هارنس اجرایی به دست می‌آورند که تعیین می‌کند چه ببینند و چطور از دیده‌ها استفاده کنند. اما ردپاهای اجرا فقط شواهد هارنس فعلی را دارند، پس توضیح‌های رقیب برای شکست حل‌نشده می‌مانند؛ مثلاً معلوم نیست ایجنت چون فریم مهم را