Ayudando a los agentes de IA a buscar para obtener los mejores resultados de los grandes modelos de lenguaje

Investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) y Asari AI han desarrollado EnCompass, un marco que ejecuta programas de agentes de IA mediante retroceso automático y múltiples intentos en paralelo cuando los modelos de lenguaje grandes (LLM) cometen errores. Esto reduce el esfuerzo de codificación hasta en un 80% para implementar mecanismos de búsqueda, permitiendo anotar puntos de ramificación y experimentar con estrategias como la búsqueda en árbol Monte Carlo o beam search. EnCompass busca el mejor camino de ejecución entre las posibles salidas de los LLM, mejorando la eficiencia en tareas como la traducción de repositorios de código. El trabajo se presentó en la conferencia NeurIPS y destaca por su capacidad para manejar flujos de trabajo complejos en agentes programáticos.