MUSE-Autoskill: Agentes que crean y refinan sus propias habilidades | Sistema de auto-evolución para agentes inteligentes basado en memoria | Cómo automatizar la expansión de capacidades en sistemas agénticos de IA

Abstract

PROBLEMA: La mayoría de los agentes basados en LLM dependen de un conjunto fijo de herramientas o habilidades predefinidas, lo que limita su adaptabilidad a tareas nuevas o complejas. SOLUCIÓN: Se propone MUSE-Autoskill, un marco para agentes que evolucionan mediante la creación, gestión y evaluación autónoma de nuevas habilidades. METODOLOGÍA: El sistema utiliza un ciclo de retroalimentación donde el agente identifica fallos, sintetiza nuevas funciones de código (skills), las almacena en una memoria jerárquica y las refina mediante ejecución real. RESULTADOS: En entornos de larga duración y tareas no vistas, MUSE-Autoskill superó a los agentes estáticos en un 50% en tasa de éxito de tareas complejas. RELEVANCIA: Es un paso fundamental hacia la Inteligencia Artificial General (AGI) agéntica que puede operar en dominios abiertos sin intervención humana constante.