Role-Agent: Autotransformación de agentes LLM mediante evolución de roles duales | Cómo mejorar agentes inteligentes a través de auto-aprendizaje de roles | Método de bootstrapping para optimizar el rendimiento de agentes en tareas especializadas

Abstract

PROBLEMA: Los agentes basados en LLM suelen tener dificultades para adaptarse a dominios especializados sin datos de entrenamiento específicos de alta calidad, limitando su capacidad de razonamiento en roles complejos. SOLUCIÓN: El paper introduce Role-Agent, un marco de trabajo que utiliza la evolución de roles duales (Dual-Role Evolution) para realizar una auto-superación (bootstrapping) de los agentes. El sistema alterna entre un rol de ejecutor y un rol de evaluador/refinador para mejorar las trayectorias de acción. METODOLOGÍA: Se utiliza un proceso iterativo donde el agente genera tareas, las ejecuta y luego analiza sus propios fallos bajo una perspectiva de rol distinta para optimizar sus prompts y políticas de decisión. RESULTADOS: Los experimentos demuestran mejoras significativas en benchmarks de agentes comparado con métodos de zero-shot y few-shot tradicionales, logrando una mayor tasa de éxito en entornos de herramientas externas. RELEVANCIA: Es fundamental para crear sistemas agénticos que aprendan de forma autónoma sin intervención humana constante en el etiquetado de datos.