AetherLabsAI/RSIAgent

解決する課題

RSIAgentは、AIエージェントが新しいデジタル環境（複雑なソフトウェアなど）に適応できるようにする課題に対処します。このフレームワークは、モデルの重みを更新することなく、エージェントがシステムを自律的に探索し、その仕組みを学習し、特定のタスクでの後続の利用のためにその知識を保存する方法を提供します。

仕組み

このフレームワークは、3つの専門エージェントによって調整される「まず広く、その後深く」の探索戦略を使用します：

• カリキュラムエージェント: 探索するための情報量の多いタスクを選択し、さらなる練習が必要かどうかを決定します。
• アクターエージェント: PythonまたはBashスクリプトと視覚的観察を使用して環境と相互作用します。その経験を永続的なメモリに蒸留します。
• 検証エージェント: タスク要件に対してアクターのアクションの結果を独立して確認し、根拠のあるフィードバックを提供します。

学習は3つの段階で行われます：

1. 広範な再帰的自己探索 (BRS): 多様なプロジェクトの並列探索により、一般的なナレッジベースを構築します。
2. 深い再帰的自己探索 (DRS): 困難なケースと境界条件に焦点を当てた練習により、メモリを洗練させます。
3. テスト時のメモリ再利用: エージェントは、さらなる学習なしで、凍結されたメモリを使用して下流タスクを実行します。

対象者

自律エージェントに取り組んでいる開発者や研究者、特にコンピュータ使用ベンチマークやソフトウェア環境における再帰的自己改善に焦点を当てている方々向けに設計されています。

ハイライト

• トレーニング不要: モデルパラメータを更新せずにパフォーマンスを向上させます。
• 再帰的学習: 探索、検証、メモリ統合のフィードバックループを使用します。
• 永続メモリ: 再利用のために手順、スクリプト、失敗からの教訓を保存します。
• まず広く、その後深く戦略: 多様な経験から、脆弱な成功のターゲットを絞った調査に移行します。