Невыносимая лёгкость оптимизации агентов
The Unbearable Lightness of Agent Optimization
Meta-ACE добавляет к ACE мета-контроллер, который для каждой задачи выбирает комбинацию стратегий по контексту, вычислениям, проверке, памяти и параметрам.
- Профилирование задачи перед выбором стратегии — система оценивает сложность, неопределённость, проверяемость и бюджет ресурсов, а простые задачи идёт коротким путём без тяжёлого конвейера ACE. По словам автора, предварительные результаты дают рост на 8–11% на агентных бенчмарках и экономию вычислений на 30–40%.
- Проверка в три уровня — самооценка модели как быстрый фильтр, затем голосование нескольких моделей (GPT-4, Claude, DeepSeek) с весами по уверенности, затем проверка исполнением: code sandbox, валидация API и схемы. Автор ожидает, что это снизит ошибки от плохого фидбэка на 50–60%.
- Quality gates против слабого reflector — обученный классификатор блокирует вредные правки контекста, а при ненадёжной рефлексии мета-контроллер переключает задачу на верификацию или дополнительные вычисления. Ошибки ACE при деградации reflector, по данным авторов, растут на 50–60%, а Meta-ACE, по ожиданиям автора, должен удерживать выше 80% качества.
Кому полезно: тем, кто строит агентов для регулируемых отраслей и хочет решать, сколько вычислений и проверок тратить на каждую задачу.
Статья по теме
На какие вопросы отвечает доклад
Как не дать агенту закреплять неверные выводы, если его собственная рефлексия ненадёжна?
Обученный классификатор блокирует вредные правки контекста, а при неуверенности рефлексию усиливает ансамбль моделей. Когда рефлексия не работает, задача уходит на верификацию или дополнительные вычисления.
▶ 10:30Quality gates, верификационные каскады и адаптивные вычисленияКак проверять ответы агента без размеченных данных, если обратная связь слабая или её нет?
Три уровня: самооценка с порогом уверенности, консенсус моделей (GPT-4, Claude, DeepSeek) с голосованием по уверенности и проверка исполнением в песочнице, через API и схему. Спикер ожидает снижения ошибок от слабой обратной связи на 50–60%.
▶ 10:30Quality gates, верификационные каскады и адаптивные вычисленияКак распределять вычисления агента, чтобы простые запросы не шли через тяжёлый пайплайн?
Задача сначала профилируется по сложности, неопределённости, проверяемости и бюджету ресурсов, после чего мета-контроллер выбирает набор стратегий. По предварительным результатам, вычисления сокращаются на 30–40%.
▶ 4:08Архитектура Meta-ACE и оркестрация с учётом задачиЧто кроме контекста стоит оптимизировать у агента: память, вычисления или параметры?
ACE меняет только контекст и игнорирует вычисления, память и параметры. Meta-ACE комбинирует их: адаптивные вычисления, структурированную память и временные обновления параметров через LoRA-адаптеры для задач с высокой ценой ошибки.
▶ 1:43Фреймворк ACE, бенчмарки и режимы отказов
Главы
Похожие доклады
Context engineering в 2026 году: компактизация, память и стоимость
Louis-François Bouchard, Samridhi Vaid, Omar Solano
AI Engineer World's Fair 2026
Близко по содержанию
Агенты сейчас там же, где микросервисы были в 2015 году
AI Engineer World's Fair 2026
Близко по содержанию
Как улучшать агентов: обзор академических исследований
AI Engineer Summit 2025
Близко по содержанию
Экзамен Anthropic CCA как практическое руководство по разработке агентных систем
AI Engineer World's Fair 2026
Близко по содержанию

