Naukowcy opracowali RIPPLE - algorytm do adaptacji polityk promptów agentów syntetyzujących workflow'i, który kontroluje efekty uboczne edycji na dalszych etapach wykonania. Problem tkwi w tym, że zmiana w jednym segmencie polityki może wpłynąć na całe downstream zachowanie, a edycje które działają osobno mogą się nawzajem podważać po połączeniu.
RIPPLE rozwiązuje to poprzez separację dwóch decyzji: gdzie zmienić politykę na podstawie feedback z nieudanych trajektorii oraz czy zmiana pozostaje bezpieczna po złożeniu z poprzednimi aktualizacjami. System diagnozuje niepowodzenia, mapuje każde do predefinowanego segmentu polityki i ogranicza korektę do tego fragmentu. Kandydaci są ewaluowani wobec polityki z początku iteracji, aby porównać ich izolowane zyski, przed ponownym uruchomieniem obiecujących edycji po wcześniejszych akceptacjach - to odsłania efekty downstream i interakcje.
Metoda została przetestowana na syntetycznym zbiorze Flow-HO. Podejście RIPPLE jest istotne dla praktycznego ulepszania agentów AI bez zmian modelu bazowego, co ma zastosowanie w systematycznym polepszaniu systemów generujących złożone sekwencje akcji.