ArtikelLiyan Tang, Cyrus Rashtchian, Chun-Sung Ferng, Andrew Tomkins, Da-Cheng Juan, Tu VuForschung
Die kontinuierliche Anpassung autonomer Agenten scheiterte bisher oft daran, dass gewonnene Erkenntnisse flüchtig blieben. Indem Wissen in einem strukturierten Wiki abgelegt und von konkreten Skills getrennt wird, können Agenten modular lernen und Fähigkeiten sogar auf andere, leistungsschwächere Modelle übertragen.
Die Autorinnen und Autoren zeigen einen gangbaren Weg auf, um Skalierungsvorteile von LLMs gezielter zu nutzen. Besonders relevant für die Praxis ist die Transferierbarkeit: Starke Modelle können komplexe Arbeitsabläufe in der Wissensbasis konsolidieren und Skills schärfen, die anschließend ressourcenschonend von kleineren Modellen ausgeführt werden.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
X-Post:DAIR.AI
Ein Forschungspapier von Google stellt ein System zur Weiterentwicklung von Fähigkeiten autonomer Agenten vor. Der Ansatz trennt Rohausführungsdaten, ein persistentes Wissens-Wiki und die ausführbaren Skills sauber voneinander.
8621Lesezeichen500.708Aufrufe
Artikel:Siru Ouyang, Jun Yan, I-Hung Hsu, et al.
ReasoningBank ist ein neuartiges Speicher-Framework für LLM-Agenten, das verallgemeinerbare Denkstrategien aus selbst bewerteten Erfolgen und Fehlern destilliert, um kontinuierliches Lernen im laufenden Betrieb zu ermöglichen.
Artikel:Hongjun Liu, Yifei Ming, Shafiq Joty, Chen Zhao
Ein Forschungsteam stellt mit HASP (Harnessing LLM Agents with Skill Programs) ein Framework vor, das Erfahrungswerte von Sprachmodell-Agenten in ausführbare Programmfunktionen (PFs) überführt. Statt rein textbasierter Empfehlungen greifen diese Funktionen bei fehleranfälligen Zuständen aktiv in den Agenten-Loop ein, indem sie Aktionen anpassen oder korrigierenden Kontext einfügen.
Artikel:Devansh
Devansh beschreibt die Architektur der 'Stateful Swarms', die das Problem flüchtiger Kontexte und wiederholter Dokumentenverarbeitung durch eine persistente Blackboard-Architektur löst. Anstatt Dokumente mehrfach einzulesen oder Kontext per Prompt-Zusammenfassung zu übergeben, schreiben spezialisierte Agenten strukturierte, auditierbare Einträge in einen gemeinsamen Zustand. Im Harvey Legal Agent Benchmark erreichte dieser Ansatz höhere Erfolgsraten bei drastisch reduzierten Kosten im Vergleich zu traditionellen Systemen.
Artikel:Shuai Shao, Kangning Zhang, Qingyao Li, Shijian Wang, Hao Wang, Wenxiang Jiao, Yuan Lu, Yi Guo, Weiwen Liu, Weinan Zhang
Ein Forschungsteam stellt Harness-R1 vor, eine Methode zur gezielten Anpassung der Software-Laufzeitumgebung (Harness) von LLM-Agenten. Statt nur Modellgewichte anzupassen, lernt ein separater 9B-Agent per Reinforcement Learning, fehlerhafte Ausführungsspuren zu analysieren und validierte Code-Patches für Kontextaufbereitung, Tool-Vermittlung und Aktionsvalidierung zu generieren.
Link:Anthropic
Agent Skills ist ein offenes Format zur Erweiterung von KI-Agenten um domänenspezifisches Wissen und Workflows. Der Standard basiert auf Ordnerstrukturen mit einer SKILL.md-Datei und nutzt Progressive Disclosure, um den Kontextbedarf gering zu halten.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
