SkillClaw: Evolución colectiva de habilidades con Agentic Evolver | Cómo los agentes de IA pueden mejorar sus capacidades de forma colaborativa | Aprendizaje evolutivo para la optimización de repertorios de habilidades en agentes

Abstract

PROBLEMA: Los agentes de IA actuales suelen estar limitados por un conjunto estático de habilidades predefinidas, lo que dificulta su adaptación a tareas complejas y dinámicas que requieren combinaciones novedosas de capacidades. SOLUCIÓN: El paper presenta SkillClaw, un marco de trabajo basado en un 'Agentic Evolver' que permite que las habilidades de los agentes evolucionen de manera colectiva y orgánica a través de la interacción. METODOLOGÍA: Utilizan un sistema de retroalimentación donde los agentes evalúan el éxito de sus propias habilidades y las de sus pares, aplicando operadores evolutivos para refinar, combinar o descartar capacidades en un entorno de aprendizaje continuo. RESULTADOS: SkillClaw demuestra una mejora significativa en la resolución de tareas complejas de varios pasos en comparación con agentes con librerías de habilidades estáticas, logrando una mayor eficiencia en el uso de herramientas. RELEVANCIA: Este enfoque es fundamental para el desarrollo de sistemas de agentes que no solo usen herramientas, sino que optimicen su propio 'stack' tecnológico de forma autónoma.