Wetenschappers hebben een innovatieve methode ontwikkeld om Large Language Model (LLM) agenten effectiever te laten leren van hun eigen ervaringen. Door de introductie van een systeem genaamd 'Anchor' kunnen AI-agenten foutieve of overbodige informatie uit hun geheugen filteren, wat resulteert in een meetbare verbetering van de prestaties bij het uitvoeren van complexe opdrachten.
Hoewel AI-agenten grote stappen hebben gezet in het oplossen van programmeervraagstukken en wiskundige redeneringen, blijft het langetermijngeheugen een uitdaging. Huidige systemen slaan vaak redundante informatie op of versterken onbedoeld onjuiste acties. In een wetenschappelijke publicatie op arxiv.org leggen Xinxiang Yin en collega-onderzoekers uit hoe zij dit probleem aanpakken in hun studie naar zelf-evoluerende agenten met lokaal geverifieerd geheugen.
De werking van het Anchor-mechanisme
Het Anchor-systeem werkt als een filter dat bepaalt welke ervaringen waardevol genoeg zijn om definitief in het geheugen van de agent te worden opgeslagen. In plaats van elke interactie blindelings te archiveren, analyseert het systeem cruciale stappen in een proces. Er worden kandidaat-herinneringen geëxtraheerd die vervolgens worden onderworpen aan een test: de oorspronkelijke beslissing wordt zowel met als zonder deze herinnering gesimuleerd.
Uit dit onderzoek, beschreven in de , bleek dat veel kandidaat-herinneringen nauwelijks invloed hadden op de uiteindelijke beslissing. Bovendien konden zowel succesvolle als mislukte acties onbedoeld worden versterkt. Anchor voorkomt dit door de verschuiving in de waarschijnlijkheidsverdeling te testen en de rol van de bron te verifiëren voordat een herinnering wordt toegelaten.
Meetbare resultaten in complexe omgevingen
De effectiviteit van deze benadering is getest in gesimuleerde omgevingen zoals WebShop en ALFWorld. Volgens de zorgde de implementatie van Anchor voor een stijging van het succespercentage met maximaal 19,9%. De gemiddelde score verbeterde met 17,2% ten opzichte van de sterkste baselines van de gebruikte modellen.
Een specifiek voorbeeld is het model Qwen3.5-27B. Binnen de ALFWorld-omgeving kon Anchor het aantal opgeslagen herinneringen met 41% verminderen ten opzichte van ongefilterde methoden, terwijl de prestaties juist toenamen. In de WebShop-tests overtrof het systeem vier verschillende baselines voor kostenvergelijking, terwijl er minder tokens werden verbruikt.
Zelfevolutie zonder hertraining
Een cruciaal aspect van deze ontwikkeling is dat de verbeteringen worden behaald onder een zogenaamde 'bevroren policy'. Dit houdt in dat de agent leert van ervaringen zonder dat het onderliggende model opnieuw getraind hoeft te worden. Dit proces van zelfevolutie maakt de agenten efficiënter en vermindert de kans op het herhalen van fouten.
Het volledige onderzoek, dat op 7 november 2026 werd ingediend bij de database voor computerwetenschappen en patroonherkenning via , biedt in 31 pagina's een gedetailleerd inzicht in hoe lokaal geverifieerd geheugen kan bijdragen aan de co-evolutie van AI-systemen.