FAMA: Marco Meta-Agéntico Consciente de Fallos para LLMs | Mejora de la robustez en agentes de código abierto | Sistemas de corrección de errores para IA en uso de herramientas externas

Abstract

PROBLEMA: Los LLMs de código abierto a menudo fallan al interactuar con herramientas externas (APIs, bases de datos) debido a alucinaciones en el formato o errores de lógica secuencial, a diferencia de modelos propietarios más robustos. SOLUCIÓN: FAMA es un marco meta-agéntico que introduce una capa de 'consciencia de fallos', donde un agente supervisor detecta errores en tiempo real y sugiere correcciones estratégicas al agente ejecutor. METODOLOGÍA: Implementan un bucle de retroalimentación basado en trazas de ejecución, donde el meta-agente clasifica el tipo de error (sintáctico, semántico o de entorno) y aplica una receta de recuperación. RESULTADOS: FAMA eleva el rendimiento de modelos como Llama-3 de 70B a niveles comparables con GPT-4 en entornos de ToolBench. RELEVANCIA: Democratiza el uso de agentes de alto rendimiento permitiendo que modelos abiertos operen de forma fiable en entornos de software complejos.