Co-evolución de Decisiones de LLM y Agentes de Banco de Habilidades | Mejora de agentes autónomos en tareas de larga duración mediante aprendizaje de habilidades | Cómo crear agentes de IA que desarrollen su propio catálogo de capacidades técnicas

Abstract

PROBLEMA: Los agentes basados en LLM a menudo fallan en tareas de horizonte largo debido a la dificultad de planificar múltiples pasos complejos y la falta de habilidades especializadas reutilizables. SOLUCIÓN: El paper propone un marco donde las decisiones del LLM y un "banco de habilidades" (skill bank) evolucionan conjuntamente; el agente no solo decide acciones, sino que refina sus habilidades basándose en el éxito o fracaso previo. METODOLOGÍA: Utilizan un ciclo de retroalimentación donde las experiencias exitosas se sintetizan en habilidades modulares que luego son invocadas por un planificador de alto nivel. RESULTADOS: Demuestra una mejora significativa en la tasa de éxito y eficiencia en benchmarks de tareas complejas frente a agentes con habilidades estáticas o sin memoria de habilidades. RELEVANCIA: Es fundamental para el desarrollo de sistemas de agentes autónomos capaces de mejorar continuamente en entornos de producción y resolución de problemas de ingeniería.