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.
Основная идея заключается в том, что агент может создавать и управлять подагентами, каждый из которых обладает собственными инструментами и возможностями. Это позволяет распределять задачи между подагентами, что значительно повышает эффективность и масштабируемость системы. Например, в производственных сценариях кодирования агенты могут автоматически создавать подагентов для выполнения специфических задач, таких как анализ кода или тестирование.
Авторы исследования подчеркивают, что RAH может быть применен в различных областях, включая разработку программного обеспечения, автоматизацию бизнес-процессов и даже научные исследования. Важным аспектом является использование файловой системы и других инструментов, что позволяет агентам взаимодействовать с внешними ресурсами и выполнять сложные задачи.
Для разработчиков ИИ-агентов, таких как Jarv, этот подход открывает новые возможности для создания более сложных и гибких систем. Рекурсивные агенты могут значительно улучшить производительность и надежность, позволяя распределять задачи между подагентами и оптимизировать использование ресурсов. Это особенно важно в условиях роста сложности задач и увеличения объема данных.