15 подписчиков

Знакомьтесь: A-Evolve — момент PyTorch для агентских систем ИИ

29 марта29 мар

2 мин

Команда исследователей из Amazon выпустила A-Evolve — универсальную инфраструктуру для автоматизации разработки автономных агентов ИИ. Платформа призвана заменить ручное проектирование агентов на систематический автоматизированный процесс эволюции. Проблема: узкое место ручной настройки В настоящее время инженеры-разработчики программного обеспечения и ИИ часто сталкиваются с необходимостью вручную подбирать параметры и настраивать логику агентов. Когда агент не справляется с задачей (например, решает проблему на GitHub в SWE-bench), разработчик должен вручную проверять логи, выявлять сбой логики и переписывать запрос или добавлять новый инструмент. A-Evolve создан для автоматизации этого процесса. Основная идея платформы заключается в том, что агента можно рассматривать как совокупность изменяемых артефактов, которые развиваются на основе структурированной обратной связи из окружающей среды. Это может превратить базового «семенного» агента в высокопроизводительного без «вмешательст

Проблема: узкое место ручной настройки

В настоящее время инженеры-разработчики программного обеспечения и ИИ часто сталкиваются с необходимостью вручную подбирать параметры и настраивать логику агентов. Когда агент не справляется с задачей (например, решает проблему на GitHub в SWE-bench), разработчик должен вручную проверять логи, выявлять сбой логики и переписывать запрос или добавлять новый инструмент.

A-Evolve создан для автоматизации этого процесса. Основная идея платформы заключается в том, что агента можно рассматривать как совокупность изменяемых артефактов, которые развиваются на основе структурированной обратной связи из окружающей среды. Это может превратить базового «семенного» агента в высокопроизводительного без «вмешательства человека».

Архитектура: рабочее пространство агента и манифест

A-Evolve вводит стандартизированную структуру каталогов — рабочее пространство агента. В этом рабочем пространстве определяется «ДНК» агента через пять ключевых компонентов:

* manifest.yaml: центральный файл конфигурации, в котором определяются метаданные агента, точки входа и рабочие параметры.

* prompts/: системные сообщения и инструкции, которые определяют логику рассуждений LLM.

* skills/: повторно используемые фрагменты кода или отдельные функции, которые агент может научиться выполнять.

* tools/: конфигурации для внешних интерфейсов и API.

* memory/: эпизодические данные и исторический контекст, используемые для обоснования будущих действий.

Механизм мутаций работает непосредственно с этими файлами. Вместо того чтобы просто изменять запрос в памяти, механизм модифицирует файлы кода и конфигурации в рабочем пространстве для повышения производительности.

Пятиэтапный цикл эволюции

Точность платформы обеспечивается её внутренней логикой, которая следует структурированному пятиэтапному циклу:

1. Solve: агент пытается выполнить задачи в целевой среде (BYOE).

2. Observe: система генерирует структурированные логи и фиксирует контрольные показатели.

3. Evolve: механизм мутаций анализирует наблюдения, чтобы определить точки сбоя, и модифицирует файлы в рабочем пространстве агента.

4. Gate: система проверяет новую мутацию на соответствие набору функций пригодности, чтобы убедиться, что она не вызывает регрессий.

5. Reload: агент перезапускается с обновлённым рабочим пространством, и цикл начинается заново.

Чтобы обеспечить воспроизводимость, A-Evolve интегрируется с Git. Каждая мутация автоматически получает git-тег (например, evo-1, evo-2). Если мутация не проходит этап «Gate» или показывает низкую производительность в следующем цикле, система может автоматически откатиться к последней стабильной версии.

Модульность «Принеси своё» (BYO)

A-Evolve разработан как модульная платформа, а не как конкр...