يقدم المؤلفون "Growing Harness"، وهو نموذج تدريبي يتعلم بنية تحكم الوكيل من ملاحظات المهمة بدلاً من الاعتماد على السقالات التقليدية الثقيلة بالسياق. ومن خلال تحويل قرارات التحكم المتكررة إلى كود قابل للتنفيذ وحجز استدعاءات نماذج اللغات الكبيرة (LLM) للاستدلال الدلالي، تهدف هذه الطريقة إلى إنشاء وكلاء متخصصين قابلين لإعادة الاستخدام.

  • يستخدم "Growing Harness" سقالة خالية من الاستراتيجيات بواجهات ثابتة، مما يحدد مواقع الفشل عبر تتبعات التنفيذ على مستوى الوظائف.
  • يقوم مُحسّن بإصلاح نوافذ الفشل بشكل مشترك، بينما تقوم بوابة النجاح أولاً بالتراجع عن التعديلات التي تضر بالقدرة السابقة.
  • عبر منصتي "BrowseComp-Plus" و"WebArena-Verified" مع نماذج تتراوح بين 4 مليارات و120 مليار معلمة، حقق أعلى متوسط نجاح في خمسة من ستة إعدادات.
  • يقلل استدعاءات نماذج اللغات الكبيرة بنسبة 76.0-91.8% وتكلفة استنتاج الوكيل المُنتشر بنسبة 74.4-98.6% مقارنة بوكيل "Tool-Calling".
  • على منصة "WebArena-Verified"، يبقى النجاح مستقراً عند 44.7-45.3% عبر مقاييس النماذج، بينما ينخفض "Tool-Calling" إلى 6.7% مع النموذج ذي الـ4 مليارات معلمة.

ينقل النمو البرمجي المستمر التحكم المتكرر من سياق النموذج إلى كود منخفض التكلفة، مما يسمح للوكلاء بالبقاء فعالين حتى عند نشرهم باستخدام نماذج أصغر.