Саморедактирующиеся агенты улучшают новые задачи и забывают старые
DeepMind сравнила ReasoningBank, GEPA и Meta-Harness на потоках задач со сменой тем, процессов и областей.
GEPA прибавляла в среднем 6,2 пункта на текущем блоке, но теряла 4,3 пункта на остальных задачах.
Поздние правки сократили прежний прирост от правила уточнять детали у пользователя с 15,5 до 2,5 пункта.
Глобальные изменения общего промпта и рабочей среды перезаписывали полезные инструкции.
Почему важно
Самообучающемуся агенту нужна изоляция навыков и проверка регрессий, иначе высокая адаптивность разрушает накопленную компетентность.