Compresión de habilidades sin evaluación para agentes auto-evolutivos mediante descubrimiento de estructura reutilizable | Cómo compactar trayectorias de agentes en habilidades reutilizables sin costosos procesos de evaluación | Método para acelerar el aprendizaje continuo de agentes autónomos con bibliotecas de habilidades

Abstract

PROBLEMA: Los agentes auto-evolutivos acumulan enormes volúmenes de trayectorias y experiencias durante su funcionamiento; sin un mecanismo de compactación, su memoria crece sin límite, evaluar cada habilidad candidata es prohibitivamente costoso y el conocimiento útil queda enterrado entre ruido redundante. SOLUCIÓN: SkillZip propone comprimir episodios de experiencia en habilidades reutilizables sin necesidad de evaluar cada habilidad por separado, descubriendo la estructura subyacente que se repite a través de las trayectorias. El agente construye así una biblioteca de habilidades compacta e indexada que acelera su propio proceso de auto-mejora. METODOLOGÍA: El método detecta segmentos de comportamiento con estructura recurrente en las trayectorias, los comprime en representaciones canónicas de habilidad mediante detección de patrones y agrupación estructural, y los almacena en una biblioteca consultable. A diferencia de los enfoques basados en evaluación, no requiere recompensas ni juicios externos para decidir qué conservar: la compresión se fundamenta en la redundancia estructural y en la reutilización observada de cada patrón. RESULTADOS: Los experimentos muestran que los agentes que usan SkillZip mejoran su tasa de éxito en tareas nuevas con menos interacciones, reducen el tamaño de su memoria de habilidades en torno a un orden de magnitud y mantienen o superan el rendimiento de bibliotecas construidas con evaluación exhaustiva. RELEVANCIA: Habilita el aprendizaje de habilidades a escala para agentes autónomos y simulaciones, reduce el coste de la auto-mejora continua y es aplicable a sistemas de uso de herramientas, agentes de código y agentes con modelos de mundo.