Evolución de andamiajes de agentes mediante selección natural | Cómo optimizar automáticamente el harness que envuelve a un agente de IA sin reentrenar el modelo | Algoritmo evolutivo para mejorar la tasa de éxito de agentes con herramientas y tareas de software

Abstract

PROBLEMA: el rendimiento de un agente de IA depende tanto del modelo subyacente como del harness o andamiaje que lo envuelve —prompts, bucle de ejecución, manejo de errores y conexión con herramientas—; diseñar ese andamiaje a mano es lento, depende de expertos y explora mal el enorme espacio de configuraciones posibles. SOLUCIÓN: DarwinX presenta un sistema que evoluciona harnesses de agentes mediante selección natural: una población de variantes se somete a mutación y cruce, se evalúa en tareas reales y las variantes más capaces pasan a la siguiente generación. METODOLOGÍA: algoritmo evolutivo aplicado sobre representaciones editables del harness —instrucciones y código de orquestación—, con operadores genéticos de mutación y recombinación, fitness basado en la tasa de éxito de tareas y elitismo; se experimenta en benchmarks de agentes de software y uso de herramientas, comparando con harnesses diseñados manualmente y con optimización iterativa guiada por LLM. RESULTADOS: los resultados indican que las líneas de harness evolucionadas alcanzan o superan el rendimiento de los diseños manuales con menos iteraciones, demostrando que la selección natural puede escalar las capacidades agénticas de forma automática y con mínima intervención humana. RELEVANCIA: automatizar el diseño de andamiajes es clave para escalar sistemas agénticos sin intervención humana; conecta directamente con la optimización automática de prompts, RLAIF y el meta-diseño de agentes.