Microsoft Research, sohbet geçmişini temizlemenin, AI ajanlarının tekrarlayan arama kalıplarına takılmalarını önleyerek daha iyi çözümler bulmalarına yardımcı olduğunu buldu. Yeni bir çalışmada, araştırmacılar geri bildirim üzerine sürekli olarak öneri sunan, değerlendiren ve çözümleri iyileştiren uzun vadeli AI araştırma ajanlarını incelediler. Ekip, bu ajanların ek işlem gücü almasına rağmen bir noktada duraklayabildiğini, birikmiş sohbet bağlamının aramalarını kısıtlayıp onları "fikir havuzları" olarak adlandırılan olası çözümlerin belirli bölgelerine hapsettirdiğini keşfetti.
Bu sınırlamayı aşmak için araştırmacılar "Fork-and-Flush" adlı bir yöntem geliştirdiler. Bu yaklaşım, ajanı paralel dallara ayırırken sohbet bağlamlarını temizler, ancak dallar oluşturdukları dosyaları ve çalışma alanı sonuçlarını korur. Akıl yürütmeyi tanıdık yollara yönlendiren tarihsel sohbet bağlamını ortadan kaldırarak, ajanlar arama çeşitliliğini yeniden kazanıp önceki çalışmalarını kaybetmeden yeni yaklaşımları keşfedebilir.
GitHub Copilot CLI üzerinden modeller kullanılarak kriptoanaliz ve optimizasyon problemleri dahil 13 uzun vadeli görevde test edilen Fork-and-Flush yöntemi, aynı işlem bütçesinde tek çalışmalara kıyasla %66 daha yüksek normalleştirilmiş ortalama puan elde etti. Teknik aynı zamanda daha tutarlı sonuçlar üretti ve düzenli bağlam sıfırlamalarının otonom araştırma ajanlarının performansını ve keşif yeteneklerini artırmada hayati öneme sahip olduğunu gösterdi.
Neden önemli: Bu araştırma, stratejik sıfırlamalarla sohbet bağlamını yönetmenin, ek işlem kaynakları gerektirmeden karmaşık görevlerde AI ajanlarının performansını önemli ölçüde artırabileceğini gösteriyor.