Nieuw onderzoek van IBM Research over zelfverbeterende agenten. Agenten hebben "amnesie." Een agent die vandaag moeite heeft met een bepaalde API-authenticatiestroom, zal morgen met dezelfde stroom moeite hebben, tenzij deze handmatig wordt bijgewerkt. Dit paper introduceert een kader voor het automatisch extraheren van bruikbare inzichten uit de uitvoeringstrajecten van agenten en het gebruiken daarvan om de toekomstige prestaties te verbeteren via contextuele geheugentoegang. Het systeem genereert drie soorten begeleiding: strategietips uit succesvolle patronen, hersteladviezen uit het omgaan met fouten, en optimalisatietips uit inefficiënte maar succesvolle uitvoeringen. Een Trajectorie Intelligentie Extractor voert semantische analyse uit van de redeneerpaden van agenten, terwijl een Besluit Attributie Analyzer achterwaarts door de redeneerstappen traceert om de oorzaken te identificeren. Op de AppWorld benchmark behaalt de geheugenversterkte agent 73,2% voltooiing van de taakdoelen vergeleken met 69,6% basislijn (+3,6 pp) en 64,3% voltooiing van de scenario-doelen vergeleken met 50,0% (+14,3 pp). De voordelen nemen toe met de complexiteit van de taken. Taken van moeilijkheidsgraad 3 tonen de meest dramatische verbeteringen: +28,5 pp op scenario-doelen (19,1% naar 47,6%), een relatieve stijging van 149%. Waarom het belangrijk is: Agenten die leren van hun eigen uitvoeringssporen, niet alleen van trainingsdata, kunnen systematisch verbeteren zonder handmatige prompt-engineering. De zelfversterkende cyclus van betere tips die betere trajecten produceren die betere tips produceren, is een praktische weg naar zelfverbeterende agentensystemen. Paper: Leer effectieve AI-agenten te bouwen in onze academie: