arXiv · 28.06.2026 ·Оркестрация агентов

Hierarchical Experimentalist Agents: новый фреймворк для автономных исследований

Исследователи представили фреймворк Hierarchical Experimentalist Agents (HEA), расширяющий возможности LLM за пределы статических знаний. В отличие от стандартных агентов, полагающихся на RAG или поиск, HEA способны самостоятельно планировать и проводить эксперименты в реальных условиях для проверки гипотез. Это позволяет системе эффективно работать в новых доменах, где априорных данных недостаточно для принятия точных решений.

Архитектура HEA использует иерархический подход, разделяя задачи на высокоуровневое планирование и низкоуровневое исполнение экспериментальных процедур. Агент итеративно формулирует гипотезы, проектирует методы их проверки, анализирует полученные результаты и корректирует свою модель мира. Такой цикл «обучения через действие» позволяет агенту адаптироваться к динамическим средам, где физические законы или правила системы могут быть неизвестны заранее.

Метод демонстрирует значительный прогресс в задачах, требующих научного поиска и эмпирического подтверждения. Вместо того чтобы просто извлекать информацию из базы данных, агент выступает в роли активного исследователя, который генерирует новые данные для заполнения пробелов в своих знаниях. Это меняет парадигму использования ИИ в сложных инженерных и научных задачах, переходя от пассивного поиска к активному взаимодействию с реальностью.

Ключевые факты

Фреймворк HEA переводит агентов от использования статических знаний к активному проведению экспериментов.
Иерархическая структура разделяет стратегическое планирование гипотез и техническое исполнение тестов.
Система способна самостоятельно корректировать внутреннюю модель мира на основе эмпирических данных.
Подход ориентирован на решение задач в новых доменах, где существующие базы знаний не содержат ответов.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука EurekAgent: как ИИ-агенты автоматизируют научные открытия Исследователи из MIT и других ведущих университетов представили EurekAgent — фреймворк, который демонстрирует, как LLM-основанные агенты могут автоматизировать научные открытия. В статье, опубликованной на arXiv, авторы показывают, что при наличии оптимизируемого метрика и подходящей среды выполнения, агенты способны предлагать, проверять и итерировать научные решения, превосходя человеческие подходы. Hacker News · Память и RAG Концепция агент-ориентированных систем памяти Исследователи представили концепцию агент-ориентированной системы памяти, которая выходит за рамки классического RAG. В отличие от статических векторных баз данных, новая архитектура предлагает динамическое управление контекстом, позволяя ИИ-агентам самостоятельно структурировать, обновлять и извлекать накопленный опыт в зависимости от текущих задач, что критически важно для долгосрочной автономной работы сложных систем. arXiv · Оркестрация агентов Recursive Agent Harnesses: рекурсия как ключ к масштабируемым агентам Исследователи из Arxiv представили концепцию Recursive Agent Harnesses (RAH), объединяющую два ключевых подхода к построению ИИ-агентов: рекурсивные языковые модели (RLMs) и динамические workflows от Anthropic. В основе RAH лежит идея использования рекурсии для вызова подагентов, что позволяет эффективно решать задачи, требующие длительного контекста и сложного рассуждения. arXiv · Оркестрация агентов Agents-K1: новый подход к оркестрации научных знаний для ИИ-агентов Исследователи из MIT и других ведущих университетов представили Agents-K1 — фреймворк, направленный на улучшение научной оркестрации знаний для ИИ-агентов. В отличие от существующих решений, которые часто ограничиваются поверхностным анализом научных работ, Agents-K1 фокусируется на ключевых сущностях, утверждениях, доказательствах, механизмах и методологических линиях, что критически важно для научного мышления. Hacker News · Инфраструктура для агентов Инструментарий для создания верифицируемых ИИ-исследователей Проект Agent-Native Research Artifact (ANRA) представляет собой специализированный фреймворк для построения ИИ-агентов, ориентированных на научные исследования. Система обеспечивает строгую воспроизводимость и аудит действий модели, позволяя отслеживать каждый этап рассуждений и манипуляций с данными. Это решение закрывает потребность в прозрачности агентных систем, работающих со сложными аналитическими задачами и требующих верификации результатов. Hacker News · Оркестрация агентов Фундаментальный обзор архитектур и систем агентного ИИ Авторы нового исследования представили комплексный обзор архитектур агентного ИИ, систематизируя переход от простых LLM-приложений к автономным агентным системам. Работа охватывает ключевые компоненты: от механизмов планирования и управления памятью до стратегий взаимодействия с внешними инструментами. Материал служит дорожной картой для проектирования масштабируемых систем, способных выполнять сложные многоэтапные задачи в реальных условиях. Hugging Face - Blog · Оценка и бенчмарки Новый подход к оценке агентных способностей открытых моделей Hugging Face представила методологию для оценки того, насколько эффективно языковые модели справляются с использованием внешних инструментов. В отличие от стандартных тестов на логику или знание фактов, новый подход фокусируется на способности модели вызывать функции, интерпретировать ответы API и корректировать свои действия в рамках многошаговых задач. Это позволяет разработчикам точнее определять, какая модель лучше подходит для создания автономных агентов. GitHub · Оркестрация агентов Scholar Loop: автономная агентная система для научных исследований Scholar Loop представляет собой фреймворк для автоматизации полного цикла научной работы: от анализа литературы и проведения экспериментов до самокритики и написания итоговых отчетов. Система использует мультиагентную архитектуру, которая внедряет детерминированные механизмы контроля для минимизации галлюцинаций и предотвращения манипуляций с целевыми метриками (reward-hacking) в процессе обучения и генерации гипотез. arXiv · Оркестрация агентов Новый подход к созданию омнимадальных агентов для автономной работы в физическом мире Исследователи представили архитектуру для создания омнимадальных агентов, способных объединять работу с цифровыми инструментами и физическое взаимодействие с окружением. Система решает проблему фрагментации навыков, интегрируя планирование на базе VLM с механизмами автономного восстановления после сбоев, что критически важно для долгосрочной работы агентов в неструктурированных бытовых и производственных условиях без постоянного вмешательства человека. Hacker News · Инфраструктура для агентов Обновление Haystack: фреймворк для создания RAG-систем и ИИ-агентов Haystack — это open-source фреймворк, предназначенный для построения масштабируемых ИИ-приложений, включая RAG-системы и автономных агентов. Инструмент позволяет разработчикам объединять различные LLM, векторные базы данных и поисковые движки в единые пайплайны, обеспечивая модульность и готовность решений к промышленной эксплуатации в сложных корпоративных средах.

← Все материалы