SSLR: Representación estructural y lógica de habilidades para agentes de IA | De texto de habilidades a estructuras ejecutables: mejorando la autonomía de agentes | Marco de trabajo para la organización lógica de capacidades en sistemas agénticos LLM post-entrenamiento

Abstract

PROBLEMA: Las habilidades de los agentes IA a menudo se almacenan como texto plano, lo que dificulta que el modelo razone sobre las dependencias lógicas, el orden de ejecución y las condiciones previas de cada acción. SOLUCIÓN: El paper introduce SSLR (Scheduling-Structural-Logical Representation), un marco que transforma descripciones textuales de habilidades en estructuras lógicas y programáticas legibles por máquinas. METODOLOGÍA: Utilizan una técnica de destilación desde LLM para extraer la jerarquía de la tarea y convertirla en un grafo de control de flujo que especifica qué debe ocurrir antes, durante y después de ejecutar una habilidad. RESULTADOS: Los agentes que utilizan SSLR muestran una mejora del 18% en la tasa de éxito de tareas complejas de varios pasos en comparación con agentes que solo consultan manuales en texto. RELEVANCIA: Es fundamental para mejorar la confiabilidad y la interpretabilidad del razonamiento de agentes autónomos en entornos industriales y de software.