Badacze formalizują problem tzw. task-agnostic environment preprocessing - przygotowania środowiska bez wiedzy o docelowych zadaniach. Zamiast polegać na trajektoriach zadań lub feedback'u ewaluacyjnym, agent LLM eksploruje nowe otoczenie w ramach ustalonego budżetu, sam decydując co badać i jak przygotować zasoby takie jak indeksy, skrypty czy procedury wskazówek.
Do testów wybrano sześć heterogenicznych benchmarków, porównując podejścia: agenty bez pomocy, agenty wyposażone w archiwa danych, metody z fixed synthetic-practice i corpus-processing. Kluczowe odkrycie: wariant meta-agenta uzyskał najwyższe średnie wyniki w pięciu benchmarkach, podczas gdy statyczne corpus processing pozostał najlepszy jedynie na największym zbiorze danych. Analiza wykazała też, że większy budżet przygotowania nie zawsze poprawia wyniki końcowe w liniowy sposób.
Znaczenie tego badania dla praktyki to demonstracja, jak przygotowane wcześniej artefakty mogą redukować liczbę potrzebnych prób testowych. Kompromis ten przesuwł obliczenia z kosztownej fazy testowania na etap przygotowania, otwierając nowe podejście do optymalizacji wydajności agentów AI w nieznanych środowiskach.