Зерттеу: Ұзақ тапсырмаларда субагенттер дағдылар пакетіне қарағанда тиімдірек

arXiv платформасында жарияланған жаңа ғылыми препринтте тілдік модель агенттерінің көп сатылы тапсырмаларды орындау барысында білім қорларын қалай тиімді пайдалана алатыны зерттелді. Қазіргі кезде жиі қолданылатын тәсіл бойынша дағдылар жиынтығы бірден негізгі агенттің контекстіне жүктеледі. Алайда контекст көлемі ұлғайған сайын пайымдау сапасы төмендеп, жүйе тұрақсыз жұмыс істей бастайды.

Зерттеушілер бұған балама ретінде дағдыларды жеке субагент ретінде шақыру әдісін ұсынды. Бұл тәсілде негізгі агент контекстін толтырмай, әрбір қосалқы тапсырма үшін жаңа жұмыс терезесі ашылады. Нәтижелер көрсеткендей, дайын ережелер мен нақты кіріс-шығыс шарттары бар пакеттерді субагенттерге тапсыру тиімділікті айтарлықтай арттырады.

Дегенмен, субагенттермен үйлестіру жұмыстары қосымша токендерді талап етеді. Ғалымдардың пікірінше, қайта қолданылатын білімнің пайдасы тек оның мазмұнына ғана емес, оны құрылымдау және іске қосу архитектурасына да тікелей байланысты.