AetherLabsAI/RSIAgent

解決的問題

RSIAgent 解決了使 AI 智能體能夠適應新數位環境（如複雜軟體）而無需更新底層模型權重的問題。它提供了一種方法，讓智能體能夠自主探索系統，學習其運作方式，並將這些知識儲存起來以供後續在特定任務中使用。

運作原理

該框架使用由三個專門智能體協調的「先廣後深」探索策略：

• 課程智能體：選擇具有資訊量的任務進行探索，並決定何時需要進一步練習。
• 執行智能體：使用 Python 或 Bash 腳本以及視覺觀察與環境進行互動。它將其經驗提煉到持久記憶體中。
• 驗證智能體：獨立地根據任務要求檢查執行智能體操作的結果，以提供基於事實的回饋。

學習分為三個階段：

1. 廣泛遞迴自我探索 (BRS)：並行探索多樣化的專案以建立通用知識庫。
2. 深入遞迴自我探索 (DRS)：針對困難案例和邊界條件進行重點練習以優化記憶體。
3. 測試時記憶體重用：智能體使用凍結的記憶體執行下游任務，而無需進一步學習。

適用人群

它專為從事自主智能體工作的開發人員和研究人員設計，特別是那些專注於電腦使用基準測試和軟體環境中遞迴自我改進的人員。

亮點

• 免訓練：在更新模型參數的情況下提高效能。
• 遞迴學習：使用探索、驗證和記憶體整合的回饋迴路。
• 持久記憶體：儲存程序、腳本和從失敗中獲得的教訓以供重用。
• 先廣後深策略：從多樣化經驗轉向對脆弱成功的針對性調查。