RetroAgent: Evolución de agentes LLM mediante retroalimentación intrínseca retrospectiva dual

Abstract

RetroAgent presenta un marco de trabajo innovador que permite a los agentes basados en LLM no solo resolver tareas, sino evolucionar a través de un mecanismo de 'Retroalimentación Intrínseca Dual Retrospectiva'. El sistema aborda la limitación de los agentes actuales que fallan repetidamente en tareas similares debido a la falta de mecanismos de aprendizaje a largo plazo efectivos tras la ejecución. El paper propone que después de completar (o fallar) una tarea, el agente realice un análisis retrospectivo para identificar errores de razonamiento y lagunas de conocimiento. Estos hallazgos se destilan en directrices operativas que se integran en la memoria del agente para futuras iteraciones. Los resultados muestran una mejora significativa en benchmarks complejos como WebShop y ScienceWorld, demostrando una capacidad de auto-mejora que reduce la dependencia de datos de entrenamiento externos y optimiza la eficiencia del agente en entornos dinámicos a través de la experiencia acumulada.