IBM Araştırması'ndan Kendini Geliştiren Ajanlar üzerine yeni araştırma. Ajanların "amnezi" vardır. Bugün belirli bir API kimlik doğrulama akışında zorlanan bir ajan, manuel güncellenmedikçe yarın aynı akışla zorlanacaktır. Bu makale, ajan yürütme yörüngelerinden otomatik olarak eyleme alınabilir öğrenmeleri çıkaran ve bunları bağlamsal bellek geri dönüşü yoluyla gelecekteki performansı artırmak için kullanan bir çerçeve tanıtmaktadır. Sistem üç tür rehberlik üretir: başarılı kalıplardan strateji ipuçları, başarısızlık yönetiminden iyileşme ipuçları ve verimsiz ama başarılı uygulamalardan optimizasyon ipuçları. Bir Yörünge Zekâsı Çıkarıcı, ajan akıl yürütme kalıplarının anlamsal analizini yaparken, Karar Atıflama Analizörü ise temel nedenleri belirlemek için akıl yürütme adımlarını geriye doğru izler. AppWorld kıyaslamasında, bellek destekli ajan %73,2 görev hedefi tamamlanmasına ulaşırken, %69,6 temel (+3,6 pp) ve senaryo hedeflerinin %64,3 tamamlanmasına karşılık, %50,0 (+14,3 pp) ile karşılaştırılmıştır. Faydalar görev karmaşıklığına göre ölçeklenir. Zorluk 3 görevleri en dramatik iyileşmeleri gösteriyor: senaryo hedeflerinde +28.5 puan (%19.1'e %47.6), yani %149'luk göreceli artış. Neden önemli: Sadece eğitim verisinden değil, kendi yürütme izlerinden öğrenen ajanlar, manuel prompt mühendisliği olmadan sistematik olarak gelişebilirler. Daha iyi ipuçlarının daha iyi ipuçları üretmesiyle kendini güçlendiren döngü, kendini geliştiren ajan sistemlerine doğru pratik bir yoldur. Makale: Akademimizde etkili yapay zeka ajanları oluşturmayı öğrenin: