From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents
Pubblicata su AIChronos il · fonte del · Yewei Zhao, Derong Xu, Wei Chen, Yin Xu, Peilun Zhou, Xiaohan Wang
Il paper propone CDSE (Cognitive Differentiation in Skill Evolution), un framework che evolve le capacità degli agenti LLM suddividendo i skill unitari in quattro componenti funzionali distinti: Meta, Experience, Tool e Script. Questo approccio estrae gradienti semantici dalle traiettorie di successo o fallimento per consolidare la conoscenza basata sul ruolo funzionale specifico. I risultati dimostrano che il 96.8% dei pacchetti skill analizzati contiene conoscenze che coprono almeno due ruoli funzionali, evidenziando l'eterogeneità interna spesso ignorata dai metodi esistenti.
- CDSE organizza la conoscenza degli agenti in quattro componenti coordinati ma distinti: Meta, Experience, Tool e Script per gestire meglio le capacità trasferibili.
- Il metodo estrae gradienti semantici dalle traiettorie esecutive (sia positive che negative) applicando aggiornamenti specifici al componente rilevante.
- L'analisi di 500 pacchetti skill rivela una forte eterogeneità funzionale, con il 96.8% dei casi che coinvolge almeno due ruoli diversi all'interno dello stesso skill.
- CDSE ottiene i punteggi più alti su tutti e tre i benchmark testati, superando l'agente base del 7.6 punti percentuali in media.
- Gli studi di ablazione confermano la criticità della differenziazione funzionale e dell'invoce adattiva per migliorare le prestazioni degli agenti.
Perché conta. Per gli sviluppatori che lavorano con LLM, agenti o AI locale, CDSE offre una via concreta per superare i limiti dei skill monolitici, permettendo un mantenimento della conoscenza più efficiente e una pianificazione del task guidata da capacità persistenti meglio strutturate.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.