AREX: Hacia un Agente de Investigación con Auto-Mejora Recursiva | Cómo crear agentes que optimizan su propia lógica de investigación | Marco de trabajo para agentes científicos autónomos de alto rendimiento

Abstract

PROBLEMA: Los agentes de investigación actuales suelen estar limitados por pipelines estáticos que no adaptan su estrategia de razonamiento a medida que descubren nueva información, lo que limita su capacidad en dominios científicos complejos. SOLUCIÓN: El paper presenta AREX, un marco de trabajo para agentes de investigación que implementa un mecanismo de auto-mejora recursiva. El sistema permite que el agente evalúe su propio proceso de indagación y genere nuevos protocolos de búsqueda y síntesis de forma dinámica. METODOLOGÍA: Utilizan aprendizaje por refuerzo a partir de retroalimentación de IA (RLAIF) para optimizar los ciclos de pensamiento y una arquitectura de memoria jerárquica para mantener el contexto de investigaciones extensas. RESULTADOS: AREX supera a modelos baseline en benchmarks de razonamiento científico y generación de hipótesis, demostrando una reducción significativa en la redundancia de búsqueda y una mayor precisión en las conclusiones finales. RELEVANCIA: Este enfoque es fundamental para el desarrollo de sistemas que no solo ejecutan tareas, sino que optimizan su propia lógica interna para resolver problemas científicos no resueltos.