🧠 FlowEvo учит AI-агентов накапливать навыки и экономить токены вдвое Большинство современных AI-агентов одноразовы: они строят сложные цепочки рассуждений для конкретной задачи, но полностью забывают успешные паттерны сразу после её завершения. Новый фреймворк FlowEvo, описание которого опубликовано на arXiv, предлагает решать эту проблему без дорогостоящего переобучения базовых моделей. Система компилирует успешные трассы выполнения в постоянную базу навыков (skill bank), состоящую из исполняемого кода и структурированных подсказок. Механика FlowEvo разбита на три этапа. Сначала инструмент извлекает из логов успешных сессий переиспользуемые артефакты. Затем, при решении новых задач, агент достает эти навыки из базы через прямой запуск кода или внедрение контекста в подсказку. Наконец, блок отбора навыков (skill curation) проводит проверки безопасности и отслеживает полезность накопленного кода, отсекая те навыки, которые приводят к ошибкам или зацикливанию на новых тестах. → Успешность на ALFWorld: 82.8% (на 23.6 процентных пункта выше сильнейшего бейзлайна) → Расход токенов: снизился более чем в 2 раза на эпизод → Сферы применения: интерактивные среды, генерация кода (HumanEval) и математика (GSM8K) Я часто сталкиваюсь с тем, что агентные системы в проде быстро раздувают счета за API из-за бесконечного повторения одних и тех же рассуждений в длинных цепочках. Подход FlowEvo с компиляцией трасс в чистый исполняемый код — это важный шаг от хрупкого промпт-инжиниринга к классической программной инженерии, где агент сам пишет для себя библиотеки функций. Главный вызов здесь в том, насколько эффективно такая база навыков будет масштабироваться на тысячи разнородных задач без снижения качества поиска нужного инструмента. #FlowEvo #agents #LLM #arXiv