Naukowcy opublikowali pracę badawczą opisującą SAGA - framework do abstrakcji wiedzy i jej wykorzystania przez agenty LLM. System rozwiązuje fundamentalny problem przy rozwijaniu zdolności agentów do uczenia się z interakcji: podczas gdy fine-tuning jest niedostępny dla zamkniętych modeli i kosztowny obliczeniowo, a pamięć zewnętrzna pozwala na gromadzenie doświadczeń, dotychczasowe podejścia nie potrafią przekształcić konkretnych doświadczeń w wiedzę, którą można uogólniać.
SAGA działa poprzez progresywne transformowanie trajektorii interakcji w bardziej abstrakcyjne formy - najpierw w opisy episodyczne, następnie procedury wielokrotnego użytku, a wreszcie w zasady z jawnymi warunkami stosowania. Każda część zachowuje bezpośredni link do danych historycznych. Gdy agent musi rozwiązać nowe zadanie, system pobiera odpowiednie zasady i przekształca je w konkretne wytyczne dla danego problemu.
To podejście jest znaczące dla praktycznego wdrażania agentów AI w dużej skali, zwłaszcza dla zamkniętych modeli komercyjnych, gdzie modyfikacja parametrów nie jest możliwa. Umożliwia stopniową ewolucję zdolności agenta bez drażliwych kosztów czasowych i obliczeniowych, jednocześnie tworząc ponownie użytkową wiedzę, która przechowuje powiązanie z rzeczywistymi doświadczeniami, na których się opiera.