AetherLabsAI/RSIAgent

解决的问题

RSIAgent 解决了使 AI 智能体能够适应新数字环境（如复杂软件）而无需更新底层模型权重的问题。它提供了一种方法，让智能体能够自主探索系统，学习其运作方式，并将这些知识存储起来以供后续在特定任务中使用。

工作原理

该框架使用由三个专门智能体协调的“先广后深”探索策略：

• 课程智能体：选择具有信息量的任务进行探索，并决定何时需要进一步练习。
• 执行智能体：使用 Python 或 Bash 脚本以及视觉观察与环境进行交互。它将其经验提炼到持久内存中。
• 验证智能体：独立地根据任务要求检查执行智能体操作的结果，以提供基于事实的反馈。

学习分为三个阶段：

1. 广泛递归自我探索 (BRS)：并行探索多样化的项目以建立通用知识库。
2. 深入递归自我探索 (DRS)：针对困难案例和边界条件进行重点练习以优化内存。
3. 测试时内存重用：智能体使用冻结的内存执行下游任务，而无需进一步学习。

适用人群

它专为从事自主智能体工作的开发人员和研究人员设计，特别是那些专注于计算机使用基准测试和软件环境中递归自我改进的人员。

亮点

• 免训练：在不更新模型参数的情况下提高性能。
• 递归学习：使用探索、验证和内存整合的反馈循环。
• 持久内存：存储程序、脚本和从失败中获得的教训以供重用。
• 先广后深策略：从多样化经验转向对脆弱成功的针对性调查。