Limpar o histórico do chat ajuda agentes de IA a encontrar soluções melhores
decoder ·
Um estudo da Microsoft Research revela que agentes de IA de longa duração frequentemente atingem um platô porque o histórico acumulado de conversas restringe sua busca dentro de estreitas 'bacias de ideias'. Para resolver isso, os pesquisadores desenvolveram um método chamado 'Fork-and-Flush' (Dividir e Limpar), que divide o agente em ramos paralelos enquanto limpa o contexto do chat para incentivar a exploração de novas soluções. Essa abordagem permite que os agentes descartem vieses de raciocínio anteriores, mantendo os arquivos e códigos gerados no espaço de trabalho. Testes em 13 tarefas complexas mostraram que o Fork-and-Flush obteve uma pontuação média normalizada 66% superior em comparação com execuções únicas com o mesmo orçamento de computação. O método também demonstrou maior consistência, reduzindo significativamente o desvio padrão dos resultados. Mesmo simples resetes de contexto sem ramificação melhoraram o desempenho em 22%. Os pesquisadores observam que, à medida que os modelos se tornam mais capazes, a variação causada por esses resetes provavelmente persistirá na fronteira da dificuldade de resolução de problemas. Consequentemente, espera-se que os resetes regulares de contexto permaneçam uma estratégia valiosa para futuros agentes de pesquisa autônomos.
decoder