EnCompass<\/a> von Forschern des MIT's Computer Science and AI Laboratory (CSAIL) und Asari AI. EnCompass ist ein hochmodernes Framework, das KI-Agenten bef\u00e4higt, automatisch zur\u00fcckzugehen und es erneut zu versuchen, wenn LLMs auf Fehler sto\u00dfen. Au\u00dferdem macht es die langwierigen Fehlerbehandlungscodes \u00fcberfl\u00fcssig, die Programmierer ben\u00f6tigen.<\/p>\nEncompass zeichnet sich durch seine F\u00e4higkeit aus, die Laufzeit des Programms zu klonen. Dies erm\u00f6glicht die gleichzeitige Ausf\u00fchrung mehrerer L\u00f6sungsversuche. Mit anderen Worten: Es werden nicht nur ein Pfad, sondern mehrere m\u00f6gliche Ergebnisse untersucht, um die optimalste L\u00f6sung zu finden. Mit EnCompass k\u00f6nnen Entwickler bestimmte Operationen, wie z. B. LLM-Aufrufe, markieren, bei denen die Ergebnisse variieren k\u00f6nnen. Diese Kontrollpunkte, die so genannten \u2018Branchpoints\u2019, erm\u00f6glichen es dem Programm, mehrere Szenarien zu untersuchen, wie in einer \"Choose-your-own-Adventure\"-Geschichte, um die bestm\u00f6gliche L\u00f6sung zu finden.<\/p>\n
Au\u00dferdem k\u00f6nnen die Benutzer eine Strategie f\u00fcr die Navigation in diesen Zweigen ausw\u00e4hlen oder definieren. EnCompass unterst\u00fctzt eine Vielzahl von vorgefertigten Suchstrategien wie die Monte-Carlo-Baumsuche und die Balkensuche. Alternativ dazu k\u00f6nnen die Benutzer benutzerdefinierte Strategien entwickeln, die speziell auf ihre Aufgaben zugeschnitten sind.<\/p>\n
Die Vorteile des Einsatzes von EnCompass sind \u00fcberragend. In einem Test, bei dem EnCompass von einem KI-Agenten f\u00fcr die \u00dcbersetzung von Java-Code-Repositories in Python verwendet wurde, konnte die f\u00fcr die Implementierung der Suche erforderliche Code-Menge um 82% reduziert werden. Dies f\u00fchrte zu einer Einsparung von 348 Codezeilen. Au\u00dferdem wurde die Genauigkeit um 15-40% \u00fcber f\u00fcnf verschiedene Repositories hinweg verbessert, wenn eine zweistufige Strahlensuchstrategie verwendet wurde.<\/p>\n
\u201cMit EnCompass haben wir die Suchstrategie vom zugrunde liegenden Arbeitsablauf des KI-Agenten losgel\u00f6st. Dadurch k\u00f6nnen die Programmierer frei mit verschiedenen Suchstrategien experimentieren, um die effektivste zu finden\u201d, sagt Zhening Li \u201925, MEng \u201925, Doktorand am MIT EECS und Forscher am CSAIL.<\/p>\n
Die Zukunft von EnCompass und KI-gesteuerter Softwareentwicklung<\/h5>\n
Encompass hat vielversprechende Ergebnisse bei der Verwendung f\u00fcr in Python implementierte Agenten gezeigt, die LLMs aufrufen. Es kann umfangreiche Code-Bibliotheken verwalten, wissenschaftliche Experimente entwerfen und sogar komplexe Hardware-Baupl\u00e4ne wie Raketen entwerfen. Der derzeitige Erfolg von EnCompass ist jedoch eher auf Agenten anwendbar, die einem bestimmten programmatischen Arbeitsablauf folgen, und es arbeitet weniger effektiv mit Agenten, die vollst\u00e4ndig von LLMs gesteuert werden.<\/p>\n
In den kommenden Jahren plant das EnCompass-Team, seine Funktionalit\u00e4t auf universellere Suchrahmen zu erweitern. Sie wollen das System bei hochkomplexen Aufgaben testen und sein Potenzial f\u00fcr die Zusammenarbeit zwischen KI-Agenten und Menschen untersuchen, z. B. bei der gemeinsamen Entwicklung von Hardware oder der \u00dcbersetzung umfangreicher Codebasen.<\/p>\n
EnCompass markiert somit einen entscheidenden Moment in der Entwicklung von KI-Agenten und suchbasierten Techniken, die die Arbeitsabl\u00e4ufe in der Softwareentwicklung revolutionieren. Durch die pr\u00e4zise Unterscheidung zwischen der Logik eines Agenten und seiner Suchstrategie schafft EnCompass eine solide Grundlage f\u00fcr die Konstruktion systematischer, zuverl\u00e4ssiger und leistungsstarker KI-Systeme.<\/p>\n
Einen ausf\u00fchrlicheren Bericht finden Sie in dem Originalartikel unter MIT-Nachrichten<\/a>.<\/p>","protected":false},"excerpt":{"rendered":"A New Horizon: AI Agents Transforming Workplaces In today’s fast-paced, tech-driven world, artificial intelligence (AI) has become a silent yet efficient assistant aiding many professionals. From a scientist brainstorming a ground-breaking research idea to a CEO looking to optimize human resources and finance, AI, specifically AI agents, are the tools they never knew they needed. Operating as semi-autonomous software systems, these AI agents are increasingly used to leverage large language models (LLMs) to solve issues and rapidly complete tasks. LLMs take on an even more potent role when paired with AI agents due to their adaptability and efficiency. One of […]<\/p>\n","protected":false},"author":4,"featured_media":7946,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,47],"tags":[],"class_list":["post-7945","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7945","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=7945"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7945\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/7946"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=7945"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=7945"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=7945"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}