De nouvelles recherches d'IBM Research sur les agents auto-améliorants. Les agents ont "l'amnésie." Un agent qui a des difficultés avec un flux d'authentification API particulier aujourd'hui aura des difficultés avec le même flux demain, à moins d'être mis à jour manuellement. Cet article introduit un cadre pour extraire automatiquement des apprentissages exploitables à partir des trajectoires d'exécution des agents et les utiliser pour améliorer les performances futures grâce à la récupération de mémoire contextuelle. Le système génère trois types de conseils : des conseils stratégiques issus de modèles réussis, des conseils de récupération issus de la gestion des échecs, et des conseils d'optimisation issus d'exécutions inefficaces mais réussies. Un Extracteur d'Intelligence de Trajectoire effectue une analyse sémantique des modèles de raisonnement des agents tandis qu'un Analyseur d'Attribution de Décision retrace les étapes de raisonnement pour identifier les causes profondes. Sur le benchmark AppWorld, l'agent amélioré par la mémoire atteint 73,2 % d'achèvement des objectifs de tâche par rapport à 69,6 % de base (+3,6 pp) et 64,3 % d'achèvement des objectifs de scénario par rapport à 50,0 % (+14,3 pp). Les bénéfices augmentent avec la complexité des tâches. Les tâches de difficulté 3 montrent les améliorations les plus spectaculaires : +28,5 pp sur les objectifs de scénario (19,1 % à 47,6 %), une augmentation relative de 149 %. Pourquoi c'est important : Les agents qui apprennent de leurs propres traces d'exécution, et pas seulement des données d'entraînement, peuvent s'améliorer systématiquement sans ingénierie manuelle des invites. Le cycle auto-renforçant de meilleurs conseils produisant de meilleures trajectoires produisant de meilleurs conseils est un chemin pratique vers des systèmes d'agents auto-améliorants. Article : Apprenez à construire des agents IA efficaces dans notre académie :