Kontextus-degradációt csökkent egy új módszer a webes AI-ügynököknél
Kutatók egy új módszert, a Signal-Driven Observation-t (SDO) javasoltak, amely csökkenti a webes AI-ügynökök kontextus-degradációját. Ez a módszer hatalmas mennyiségű adat feldolgozásának problémáját oldja meg.
A webes ügynökök, amelyek hosszú távú feladatokat végeznek, minden egyes lépésnél hatalmas mennyiségű DOM- és hozzáférhetőségi adatot dolgoznak fel. Ez a folyamatos adatbevitel progresszív kontextus-degradációhoz vezet, ami rontja az ügynökök érvelési képességét, mielőtt a feladatok befejeződnének — állítja egy új, előnyomtatott tanulmány az arXiv-on.
A kutatók szerint a megfigyelési gyakoriság összekapcsolása a cselekvési gyakorisággal architekturális hiba. A Recursive Language Models tapasztalataira alapozva, ahol egy dokumentum lekérdezése felülmúlja annak teljes átolvasását, az arXiv szerzői a Signal-Driven Observation (SDO) módszert javasolják.
Kapcsolódó: LLM-ügynökök tesztelése
A SDO működése
A SDO egy dedikált alhívást használ, amely teljes DOM-ot olvas be, de csak a feladathoz releváns elemeket és azok kijelölőit (selector) adja vissza. Ez az alhívás csak akkor aktiválódik újra, ha egy könnyűsúlyú jelzőrendszer jelez — például URL-váltás, új interaktív elemek megjelenése, cselekvési hibák vagy külső böngészőesemények esetén.
Kapcsolódó: AI-ügynökök hibái
Nyitott kérdések és jövőbeli irányok
Ez a megközelítés jelentősen csökkentheti a megfigyelési gyakoriságot és javíthatja az ügynökök érvelését. A kutatók felvázolják a SDO által felvetett nyitott kérdéseket, és felhívják a közösséget, hogy tekintsenek a megfigyelés tömörítésére mint alapvető architekturális döntésre a webes ügynökök tervezésében. A tanulmány az arXiv-on érhető el előnyomtatott formában.
Kapcsolódó: Skim végrehajtási rendszer