HASP: Ausführbare Skill-Programme als Leitplanken für LLM-Agenten

ArtikelHongjun Liu, Yifei Ming, Shafiq Joty, Chen ZhaoForschung

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.

Das Wichtigste

  1. Klassische Skill-Sammlungen für LLM-Agenten bieten meist nur passive Textanleitungen ohne deterministische Eingriffsmöglichkeiten.
  2. HASP verwandelt Skills in Program Functions (PFs), die als deterministische Guardrails bei typischen Fehlern aktiviert werden.
  3. Das Framework lässt sich modular zur Inferenzzeit, im Post-Training für strukturierte Supervision sowie für evolutionäres Self-Improvement nutzen.
  4. Bei Websuche-Aufgaben erzielten PFs zur Inferenzzeit ein Leistungsplus von 25 % gegenüber einem ReAct-Agenten.
  5. Post-Training und kontrollierte Skill-Evolution erreichten bei Websuche-Aufgaben 30,4 % Zuwachs im Vergleich zu Search-R1.
  6. Tests belegen deutliche Verbesserungen in den Domänen Websuche, mathematisches Schließen und Softwareentwicklung.

Warum das relevant ist

Viele agentische KI-Systeme scheitern an komplexen Abläufen, weil Prompts und Textrichtlinien nicht zuverlässig eingehalten werden. Die Überführung von Erfahrungen in ausführbaren Programmcode schafft verlässliche Leitplanken direkt im Kontrollfluss des Agenten und verbessert die Wiederverwendbarkeit von gelernten Problemlösungen.

Einordnung

Liu, Ming, Joty und Zhao adressieren eine zentrale Schwachstelle moderner LLM-Agenten: Textuelle Hinweise genügen oft nicht, um Wiederholungsfehler in mehrstufigen Workflows abzufangen. Durch die Formalisierung von Skills als Codefunktionen schaffen die Autoren eine Brücke zwischen flexibler Modellgenerierung und regelbasierter Programmlogik. Die vorgestellte Mechanismus-Analyse liefert zudem Erkenntnisse darüber, wie Skills verinnerlicht werden und welche Bedingungen für eine stabile Evolution von Skill-Bibliotheken nötig sind.

Erwähnte Links

Gefunden in

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:Shuai Shao, Kangning Zhang, Qingyao Li, Shijian Wang, Hao Wang, Wenxiang Jiao, Yuan Lu, Yi Guo, Weiwen Liu, Weinan Zhang

    Harness-R1: Automatisierte Laufzeit-Optimierung für KI-Agenten anhand von Fehlertrajektorien

    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.

    KI & AI· Forschung

  • Artikel:Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng, Andrew Tomkins, Da-Cheng Juan, Tu Vu

    WikiSkill: Dauerhafte Wissensakkumulation für die Evolution von Agenten-Skills

    Das Forschungspapier stellt WikiSkill vor, ein Framework zur kontinuierlichen Weiterentwicklung von KI-Agenten-Fähigkeiten durch eine persistente Wissensdatenbank. Anstatt Erfahrungswerte in isolierten Optimierungsverläufen verstreut zu lassen, trennt WikiSkill Ausführungserfahrung, gesammeltes Wissen und ausführbare Skills voneinander.

    KI & AI· Forschung

  • Artikel:Siru Ouyang, Jun Yan, I-Hung Hsu, et al.

    ReasoningBank: Selbstlernende KI-Agenten durch Reasoning Memory

    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.

    KI & AI· Forschung

  • X-Post:DAIR.AI

    Google-Forschung: Wissens-Wikis für die Evolution von Agenten-Skills

    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

    KI & AI· Forschung

  • Repository:DeepExperience/Harness-R1

    Harness-R1: Laufzeit-Harnesses für KI-Agenten aus Fehlerverläufen generieren

    Harness-R1 ist ein Forschungsprojekt, das einen sogenannten Harness Engineer trainiert: Ein Modell analysiert fehlgeschlagene Trajektorien von KI-Agenten und generiert automatisch wiederverwendbare Laufzeit-Hooks, um dieselben Aufgaben im zweiten Anlauf erfolgreich zu bewältigen.

    97SternePython

    KI & AI· Forschung

  • Link:Anna Gutowska

    Was sind KI-Agenten? Grundlagen, Architektur und Workflows laut IBM

    Ein Leitfaden von IBM definiert KI-Agenten als autonome Systeme, die auf Basis von Large Language Models selbstständig Workflows planen, Aufgaben zerlegen und externe Werkzeuge einsetzen. Im Gegensatz zu statischen Sprachmodellen beschaffen sich agentische Systeme aktuelle Informationen über APIs, Datenbanken oder andere spezialisierte Agenten und passen ihr Verhalten über Feedbackschleifen laufend an.

    KI & AI· Sammlung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.