AetherLabsAI/RSIAgent

해결하는 문제

RSIAgent는 AI 에이전트가 새로운 디지털 환경(복잡한 소프트웨어 등)에 적응할 수 있도록 하는 문제를 해결합니다. 이는 모델의 가중치를 업데이트하지 않고도 에이전트가 시스템을 자율적으로 탐색하고, 그 작동 방식을 학습하며, 특정 작업에서 나중에 사용할 수 있도록 그 지식을 저장하는 방법을 제공합니다.

작동 방식

이 프레임워크는 세 가지 전문 에이전트에 의해 조정되는 "먼저 넓게, 그 후 깊게" 탐색 전략을 사용합니다:

• 커리큘럼 에이전트: 탐색할 정보량이 많은 작업을 선택하고 추가 연습이 필요한 시점을 결정합니다.
• 액터 에이전트: Python 또는 Bash 스크립트와 시각적 관찰을 사용하여 환경과 상호작용합니다. 자신의 경험을 영구 메모리에 증류합니다.
• 검증 에이전트: 작업 요구 사항에 대해 액터의 작업 결과를 독립적으로 확인하여 근거 있는 피드백을 제공합니다.

학습은 세 단계로 이루어집니다:

1. 광범위한 재귀적 자기 탐색 (BRS): 다양한 프로젝트의 병렬 탐색을 통해 일반적인 지식 기반을 구축합니다.
2. 깊은 재귀적 자기 탐색 (DRS): 어려운 사례와 경계 조건에 초점을 맞춘 연습을 통해 메모리를 정교하게 다듬습니다.
3. 테스트 시 메모리 재사용: 에이전트는 추가 학습 없이 동결된 메모리를 사용하여 다운스트림 작업을 실행합니다.

대상 사용자

자율 에이전트 개발에 종사하는 개발자와 연구자, 특히 컴퓨터 사용 벤치마크 및 소프트웨어 환경에서의 재귀적 자기 개선에 초점을 맞춘 사람들을 위해 설계되었습니다.

하이라이트

• 학습 불필요: 모델 매개변수를 업데이트하지 않고 성능을 향상시킵니다.
• 재귀적 학습: 탐색, 검증 및 메모리 통합의 피드백 루프를 사용합니다.
• 영구 메모리: 재사용을 위해 절차, 스크립트 및 실패에서 얻은 교훈을 저장합니다.
• 먼저 넓게, 그 후 깊게 전략: 다양한 경험에서 취약한 성공에 대한 표적화된 조사로 전환합니다.