AREX: Hacia un agente de investigación profunda recursivamente automejorable | Cómo crear sistemas de IA que optimizan su propio proceso de investigación | Arquitectura de agentes para descubrimiento científico autónomo

Abstract

PROBLEMA: Los sistemas actuales de investigación basados en agentes a menudo están limitados por flujos de trabajo estáticos y no pueden mejorar sus propias capacidades de razonamiento o estrategias de búsqueda de manera autónoma durante el proceso. SOLUCIÓN: El paper presenta AREX, un marco de trabajo para agentes de investigación profunda que utiliza la auto-mejora recursiva para refinar sus procesos de búsqueda, síntesis y validación de información. METODOLOGÍA: Utilizan una arquitectura de bucle cerrado donde el agente evalúa sus propios borradores y estrategias de consulta, aplicando un aprendizaje por refuerzo ligero para optimizar los caminos de razonamiento que conducen a mejores fuentes científicas. RESULTADOS: AREX demuestra una capacidad superior en la generación de surveys científicos y reportes técnicos complejos, superando a baselines estáticos en precisión de citas y profundidad de análisis. RELEVANCIA: Es un avance clave en la creación de sistemas que no solo ejecutan tareas, sino que optimizan su propia lógica de ejecución para problemas de alta complejidad cognitiva.