Medición de errores de exploración y explotación en agentes de lenguaje | Cuantificación de fallos en la toma de decisiones de agentes IA | Análisis del rendimiento de búsqueda vs. ejecución en LLMs agénticos

Abstract

PROBLEMA: Existe una falta de métricas claras para distinguir cuándo un agente de lenguaje falla porque no 'exploró' lo suficiente el entorno o porque 'explotó' incorrectamente el conocimiento que ya tenía disponible. SOLUCIÓN: Este trabajo propone un marco teórico y empírico para medir y cuantificar por separado los errores de exploración y explotación en agentes basados en LLMs. METODOLOGÍA: Los investigadores diseñaron entornos de prueba controlados donde las trayectorias óptimas son conocidas, permitiendo descomponer el fallo del agente en componentes de búsqueda vs. ejecución. RESULTADOS: El estudio muestra que la mayoría de los agentes actuales sufren desproporcionadamente de errores de explotación tardíos, incluso cuando la exploración inicial fue exitosa. RELEVANCIA: Es crucial para optimizar el bucle de razonamiento de los agentes y decidir si un modelo necesita mejores datos de entrenamiento o una técnica de inferencia más robusta.