Effacer l'historique des chats aide les agents IA à trouver de meilleures solutions
decoder ·
Une étude de Microsoft Research révèle que les agents IA à long terme atteignent souvent un plateau car l'historique de conversation accumulé restreint leur recherche dans des « bassins d'idées » étroits. Pour remédier à ce problème, les chercheurs ont développé une méthode appelée « Fork-and-Flush », qui divise l'agent en branches parallèles tout en effaçant le contexte de chat pour encourager l'exploration de nouvelles solutions. Cette approche permet aux agents de se débarrasser des biais de raisonnement antérieurs tout en conservant les fichiers et le code générés dans l'espace de travail. Les tests sur 13 tâches complexes ont montré que Fork-and-Flush a obtenu un score moyen normalisé 66 % plus élevé par rapport aux exécutions uniques avec le même budget de calcul. La méthode a également fait preuve d'une plus grande cohérence, réduisant significativement l'écart-type des résultats. Même des réinitialisations simples du contexte sans branchement ont amélioré les performances de 22 %. Les chercheurs notent qu'à mesure que les modèles deviennent plus performants, la variation induite par ces réinitialisations persistera probablement au niveau de la difficulté maximale de résolution de problèmes. Par conséquent, les réinitialisations régulières du contexte devraient rester une stratégie précieuse pour les futurs agents de recherche autonomes.
decoder