Deneyim ve Becerilerden Sürekli Öğrenme // Beceriler, MCP ve CLI'larla doğru şekilde birleştirildiğinde çok iyi oluyor. Becerilerin kodlama ajanlarımın araç kullanımını önemli ölçüde iyileştirebileceğini gördüm. Bunları geliştirmenin en iyi yolu, düzenli olarak iyileştirmeleri, kalıpları ve kaçınılması gereken şeyleri belgelemektir. Kendini geliştirme becerileri (henüz) pek iyi çalışmıyor. Bu konu hakkında ilgili makaleye göz atın: XSkill, çift akışlı sürekli öğrenme çerçevesi sunuyor. Ajanlar, geçmiş yörüngelerden iki tür yeniden kullanılabilir bilgiyi özetler: eylem düzeyinde araç seçimi deneyimleri ve görev düzeyinde planlama ve iş akışları için beceriler. Her ikisi de görsel gözlemlere dayanır. Birikim sırasında, ajanlar başarılı ve başarısız dağıtımları çapraz dağıtım eleştirisiyle karşılaştırarak yüksek kaliteli bilgi elde ederler. Çıkarım sırasında, ilgili deneyim ve becerileri mevcut görsel bağlama uyarlayıp geri getirirler. Dört omurga modeliyle beş benchmark üzerinden değerlendirilen XSkill, sürekli olarak temel değerleri geride bırakıyor. Gemini-3-Flash'ta ortalama başarı oranı %33,6'dan %40,3'e yükselir. Beceriler, genel araç hatalarını %29,9'dan %16,3'e düşürür. Kendi yörüngelerinden bilgi biriktirip yeniden kullanan ajanlar, parametre güncellemeleri olmadan zamanla daha iyi hale gelir. Bu hafta benzer fikirlere sahip iki makale gördüm. Makale: Akademimizde etkili yapay zeka ajanları oluşturmayı öğrenin: