Agent-Reflex: Teaching Language Agents to Act Reflectively
Aggiunta all'archivio di AIChronos il (numero del 14 ottobre 2026 ricostruito)· fonte del · Guanting Dong, Xinyu Yang, Jiajie Jin, Yuyang Hu, Xiaoshuai Song, Yifei Chen (NLPIR Lab @ RUC)
Agent-Reflex è un framework di training progettato per incentivare la riflessione proattiva negli agenti LLM che operano in ambienti rumorosi. Il metodo si articola in tre fasi: scoperta delle abilità di riflessione tramite perturbazioni del feedback degli strumenti, fine-tuning supervisionato riflessivo (ReSFT) e ottimizzazione della politica on-policy guidata dalla riflessione (ORPO). Costruito su Qwen3-8B, il modello supera le baseline esistenti sui benchmark a lungo termine per l'uso degli strumenti. Gli esperimenti dimostrano che l'approccio migliora la robustezza agli errori senza compromettere la stabilità del training.
- Inietta perturbazioni basate sul feedback reale degli strumenti (MCP) durante lo scaling dell'ambiente per estrarre meta-abilità di riflessione riusabili.
- Applica Reflective Supervised Fine-Tuning (ReSFT) per convertire le abilità estratte in supervisione per l'autoriflessione, il recupero delle capacità e la correzione centrata sull'utente.
- Utilizza On-Policy Reflective Policy Optimization (ORPO) per combinare reinforcement learning agentic con distillazione on-policy guidata dalla riflessione sotto interazioni rumorose.
- Raggiunge un punteggio complessivo di 58.6 su cinque benchmark a lungo termine e 29.1 su AgentNoiseBench, superando le baseline forti.
- Migliora la robustezza degli agenti al rumore mantenendo dinamiche di training stabili, supportando così uno scalabile agent training.
Perché conta. È rilevante per gli sviluppatori che lavorano con LLM e agenti locali perché offre un metodo strutturato per gestire il feedback rumoroso dei servizi strumenti (MCP) e recuperare da fallimenti senza supervisione umana costante.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.