Onderzoekers hebben een nieuwe techniek ontwikkeld genaamd 'Think with Skills', waarmee taalmodel-agenten complexere taken kunnen voltooien door eerst een gestructureerd plan in pseudocode op te stellen.
Het vermogen van kunstmatige intelligentie om complexe opdrachten uit te voeren, wordt vaak belemmerd door een gebrek aan procedurele kennis. Hoewel AI-agenten vaak toegang hebben tot door experts geschreven vaardigheden, bevatten deze beschrijvingen meestal declaratieve kennis. Volgens een recent onderzoekspapier dat op 2 november 2026 is gepubliceerd via arxiv.org, kampen agenten met problemen wanneer zij deze vaardigheden moeten vertalen naar een concrete uitvoering, omdat voorwaarden en afhankelijkheden in natuurlijke taal vaak impliciet blijven.
De kloof tussen kennis en uitvoering
Het kernprobleem dat de onderzoekers adresseren, is dat het bezitten van kennis over een vaardigheid niet automatisch betekent dat een AI-model weet hoe deze vaardigheid in de juiste volgorde en context moet worden toegepast. Wanneer een taak meerdere vaardigheden vereist, moeten agenten tussenresultaten coördineren en de exacte volgorde van uitvoering bepalen.
Om dit op te lossen, introduceren Boshen Zhou en collega-onderzoekers de methode 'Think with Skills'. Deze aanpak traint redeneringsmodellen om relevante beschrijvingen van vaardigheden om te zetten in taakspecifieke pseudocode-plannen voordat de eigenlijke uitvoering begint. In deze pseudocode worden operaties, voorwaarden, afhankelijkheden en tussenresultaten expliciet weergegeven. Dit fungeert als een gestructureerde brug tussen de theoretische beschrijving van een vaardigheid en de uiteindelijke acties van de agent.
Trainingsmethode en resultaten
De ontwikkeling van 'Think with Skills' steunt op een specifieke trainingsstrategie. De onderzoekers hebben trainingsdata geconstrueerd waarbij taken en vaardigheden worden gekoppeld aan zowel pseudocode-plannen als executietrajecten. Het proces verloopt in twee fasen:
1. Supervised Fine Tuning (SFT): Deze fase wordt gebruikt om het basisgedrag van het model te initialiseren, zodat het leert hoe het plannen in pseudocode moet aanpakken.
2. Group Relative Policy Optimization (GRPO): In de tweede fase wordt de end-to-end prestatie op taken verder geoptimaliseerd.
De effectiviteit van deze methode is getest op de zogenaamde 'SkillsBench'. De resultaten tonen een significante verbetering in de slagingskans van taken. Zo steeg het succespercentage van 35,0% naar 62,0%. Volgens de auteurs van het document op bewijst dit dat het proceduraliseren van expertkennis vóór de uitvoering het gebruik van vaardigheden substantieel verbetert.
Context en scope
Het onderzoek, dat is ingediend onder de categorie Computer Science en Artificial Intelligence, beslaat tien pagina's en bevat diverse figuren en tabellen om de resultaten te onderbouwen. De focus ligt specifiek op het verbeteren van 'advanced reasoners', oftewel geavanceerde redeneermodellen die in staat zijn tot complexere denkprocessen.
Hoewel de term 'Think' in verschillende contexten voorkomt, zoals bij commerciële producten zoals de schoenenlijn van thinkshoes.com, is er geen enkel verband tussen deze commerciële entiteiten en het wetenschappelijke onderzoek naar AI-planning. Het onderzoek naar 'Think with Skills' is puur gericht op de computationele optimalisatie van taalmodellen.
De publicatie van dit onderzoek op markeert een stap in de richting van AI-agenten die minder afhankelijk zijn van trial-and-error en meer vertrouwen op een vooraf gedefinieerde, logische structuur om complexe doelen te bereiken.