Naukowcy opracowali ADIAS - system do automatycznego projektowania agentów AI, który zmienia sposób naprawy i optymalizacji ich działania. Dotychczasowe podejścia skupiały się na testowaniu kolejnych wersji agenta i ponownym odkrywaniu problemów w każdej iteracji, co prowadziło do niewydajnych napraw i powolnych postępów. ADIAS wprowadza inne podejście: zamiast skupiać się na kandydatach agentów, system prowadzi trwały rejestr problemów znanych z wcześniejszych iteracji.
Rdzeniem ADIAS są dwa mechanizmy. Pierwszy to persistent issue state - stały stan problemu, który zawiera listę znanych problemów, ich historię, evidencję wsparcia i wyniki poprzednich prób naprawy. Drugi to issue-guided optimization, czyli optymalizacja kierowana problemami, która wykorzystuje tę historię do zaproponowania konkretnych miejsc do naprawy i sposobów modyfikacji kodu agenta. System pracuje pełnym kodem agenta, a nie tylko drobinkami.
Experymenty na pięciu interaktywnych benchmarkach wykazały, że ADIAS osiąga średnio 25,2 proc. lepsze wyniki niż poprzednie metody. Testowano go z czterema różnymi modelami bazowymi - wszędzie przynosiło zyski. Gdy naukowcy usunęli trwały rejestr problemów lub zamienili problem-centryczne podejście na candidate-centric, wydajność spadła nawet o 40,7 proc., co pokazuje kluczową rolę utrzymywania historii problemów.