Nu bygger AI-agenter varandra – och glömmer aldrig sina lärdomar

Från statiska verktyg till självförbättrande system

Under de senaste månaderna har forskarsamhället presenterat en serie genombrott som tillsammans pekar mot något revolutionerande: AI-agenter som inte bara utför uppgifter, utan aktivt utvecklar sig själva och andra AI-system. Det handlar om att lösa ett grundläggande problem med dagens AI – att systemen förblir statiska efter utplacering.

Memento-Skills, som nyligen presenterades i forskning från arXiv, representerar kanske det mest fascinerande steget framåt. Systemet fungerar bokstavligt talat som en "agent som designar agenter" – den kan självständigt konstruera, anpassa och förbättra uppgiftsspecifika AI-system utan mänsklig inblandning.

Tekniken bygger på ett minnesbaserat ramverk där återanvändbara färdigheter lagras som strukturerade filer. Genom en "läs-skriv"-mekanism väljer systemet relevanta färdigheter för aktuella uppgifter och uppdaterar sedan sitt färdighetsbibliotek baserat på nya erfarenheter. Startandes från grundfunktioner som webbsökning kan agenten gradvis bygga upp avancerade förmågor – och resultaten talar för sig själva med 26,2% respektive 116,2% förbättring i noggrannhet.

Minnets nya roll i AI-utveckling

Parallellt med detta har forskare utvecklat sofistikerade lösningar för hur AI-agenter ska hantera sitt växande minne. MemMA-ramverket använder en fleragentsstrategi där en "Meta-Tänkare" ger strukturerad vägledning, medan systemet samtidigt skapar testfrågor för att verifiera minnets kvalitet.

Detta löser ett kritiskt problem: tidigare system behandlade minnesuppbyggnad, sökning och användning som isolerade processer, vilket ledde till strategisk blindhet och bristfällig återkoppling när fel uppstod.

Kontinuerlig utveckling utan driftstopp

MetaClaw tacklar en annan fundamental utmaning – hur AI-system kan anpassa sig efter användarnas förändrade behov utan att stoppas för uppdateringar. Systemet använder två kompletterande mekanismer: färdighetsdriven snabbanpassning som analyserar misslyckade interaktioner och automatiskt skapar nya förmågor, plus molnbaserad finjustering under inaktiva perioder.

Resultaten är imponerande – noggrannheten ökade med upp till 32 procent, och den totala prestandan för vissa modeller nästan dubblades.

Kod som kunskap

En särskilt elegant lösning presenterar AgentFactory, som sparar framgångsrika lösningar som körbar Python-kod istället för textbaserade instruktioner. Dessa kodmoduler förfinas kontinuerligt och blir portabla mellan olika system – ett bibliotek av körbara "underagenter" som växer och förbättras över tid.

Denna approach är genial i sin enkelhet: istället för att förlita sig på opålitliga textbeskrivningar lagras kunskap som faktisk, körbar kod med standardiserad dokumentation.

Praktisk tillämpning i virtuella miljöer

Forskare har också visat hur dessa principer kan tillämpas i specifika domäner. RPMS-metoden (Rule-Augmented Memory Synergy) förbättrar drastiskt AI-agenters förmåga att navigera virtuella miljöer genom att kombinera strukturerad regelhämtning med filtrerat episodiskt minne.

I tester på ALFWorld uppnådde metoden en framgångsfrekvens på 59,7% med mindre modeller och hela 98,5% med mer avancerade system – en klar demonstration av hur rätt minneshantering kan transformera prestanda.