Интеллектуальные агенты: программа для долгосрочных задач

Автор: Денис Аветисян

Новый подход позволяет создавать более эффективных виртуальных помощников, способных к сложным взаимодействиям с графическим интерфейсом.

Пока крипто-инвесторы ловят иксы и ликвидации, мы тут скучно изучаем отчетность и ждем дивиденды. Если тебе близка эта скука, добро пожаловать.

Купить акции "голубых фишек"

Рабочий процесс AgentProg демонстрирует итеративный цикл проектирования агента, включающий в себя определение целей, разработку стратегий, реализацию и последующую оценку, позволяя оптимизировать поведение агента путём последовательного уточнения и улучшения его способностей.

В статье представлена AgentProg — система программно-управляемого управления контекстом, повышающая производительность агентов при решении долгосрочных задач с использованием графического интерфейса.

Несмотря на значительный прогресс в разработке мобильных GUI-агентов, автоматизация задач, требующих длительного взаимодействия, остается сложной из-за растущей нагрузки на контекст. В данной работе, ‘AgentProg: Empowering Long-Horizon GUI Agents with Program-Guided Context Management’, предлагается новый подход к управлению контекстом, основанный на представлении истории взаимодействия в виде семантической программы с переменными и логикой управления. Этот метод позволяет эффективно отсеивать избыточную информацию, сохраняя при этом ключевые семантические данные, и интегрирует глобальное состояние верований для адаптации к неполной информации. Эксперименты показывают, что AgentProg значительно превосходит существующие методы в задачах, требующих длительного взаимодействия, но как можно расширить возможности AgentProg для работы с еще более сложными и динамичными средами?

За гранью простого автоматизма: вызовы долгосрочного взаимодействия

Традиционные системы автоматизации графического интерфейса испытывают значительные трудности при выполнении задач, требующих множества последовательных действий — так называемых “долгосрочных задач”. Эти системы, как правило, разрабатывались для простых, одношаговых операций, и их архитектура не рассчитана на поддержание контекста и отслеживание зависимостей на протяжении длительной последовательности шагов. Например, бронирование авиабилетов или заполнение сложной онлайн-формы, включающие множество переходов между страницами и ввода данных, представляют собой классические примеры долгосрочных задач, где традиционные подходы часто терпят неудачу из-за потери информации или неспособности адаптироваться к изменяющемуся состоянию интерфейса. В результате, для эффективной автоматизации подобных процессов требуются принципиально новые подходы, способные сохранять и использовать релевантную информацию на протяжении всей последовательности действий.

Выполнение задач, требующих последовательного выполнения множества шагов в течение длительного времени, представляет собой серьезную проблему для современных архитектур искусственного интеллекта. Существующие системы часто испытывают трудности с поддержанием релевантной информации на протяжении всего процесса взаимодействия, что приводит к ошибкам и снижению эффективности. Проблема заключается не только в объеме данных, но и в способности агента правильно приоритизировать и использовать накопленный опыт для принятия обоснованных решений на каждом этапе выполнения задачи. Для успешного решения подобных задач необходимы системы, способные к эффективному управлению контекстом и долгосрочному планированию, что требует разработки принципиально новых подходов к организации и обработке информации.

Простое увеличение размера модели искусственного интеллекта не является решением проблемы выполнения сложных, многоступенчатых задач. Исследования показывают, что для успешного оперирования в условиях длительных взаимодействий критически важен эффективный механизм управления контекстом. Без него, модель быстро перегружается информацией, теряя способность к последовательному мышлению и принятию обоснованных решений. Вместо бездумного наращивания параметров, необходимо разрабатывать архитектуры, способные выборочно сохранять, обновлять и использовать релевантные данные, что позволит агентам сохранять когерентность и точность на протяжении всего процесса выполнения задачи. Это достигается за счет разработки инновационных методов сжатия, фильтрации и приоритизации информации, позволяющих модели фокусироваться на самом важном.

Программа управляет контекстом, эффективно отсеивая устаревшую информацию, извлекая необходимые данные из истории и управляя переменными.

Программное руководство контекстом: новая парадигма

Метод управления контекстом на основе программы (Program-Guided Context Management) предполагает использование структуры программы для динамического определения информации, которую необходимо сохранять или удалять. В отличие от фиксированных окон контекста, данный подход позволяет агенту адаптировать объем и содержание сохраняемой информации в зависимости от текущей задачи и ее развития. Структура программы предоставляет набор правил и логики, определяющих релевантность данных, что позволяет эффективно управлять ограниченными ресурсами памяти и вычислительной мощности. Это достигается путем анализа выполняемого кода и определения, какие переменные, состояния и события оказывают влияние на текущую и будущую деятельность агента, и сохранения только этой информации в контексте.

В отличие от традиционных контекстных окон, которые имеют фиксированный размер и содержат ограниченный объем информации, динамическое управление контекстом позволяет агенту адаптировать объем и состав сохраняемых данных в зависимости от текущих потребностей задачи. Этот подход предполагает активное добавление и удаление релевантной информации из контекста, основываясь на логике программы и анализе поступающих данных. Вместо пассивного хранения последних $n$ токенов, система оценивает важность каждого фрагмента информации для достижения цели и динамически корректирует контекст, оптимизируя использование памяти и повышая эффективность работы агента в условиях меняющихся требований задачи.

Комбинирование программного управления с глобальным состоянием убеждений (Global Belief State) позволяет агентам поддерживать связное понимание окружающей среды даже при наличии частичной наблюдаемости. Глобальное состояние убеждений представляет собой структурированное хранилище информации об окружении, которое постоянно обновляется на основе поступающих наблюдений и действий агента. Программное управление, анализируя структуру программы и текущий контекст задачи, определяет, какие части глобального состояния убеждений наиболее релевантны для принятия решений, и фокусирует внимание агента на этой информации. Это позволяет агенту эффективно обрабатывать неполную информацию и сохранять когерентное представление об окружении, несмотря на ограниченность сенсорных данных и потенциальную неопределенность.

Эффективное управление глобальным представлением о состоянии позволяет агенту успешно действовать в условиях неполной наблюдаемости.

Валидация на расширенной платформе AndroidWorld

Для оценки нашей методики был использован расширенный набор задач ‘AW-Extend’, построенный на основе ‘AndroidWorld’. ‘AW-Extend’ специально разработан для тестирования производительности агентов в задачах, требующих планирования и выполнения действий на протяжении длительного временного горизонта. В отличие от базового ‘AndroidWorld’, ‘AW-Extend’ включает в себя более сложные и многоэтапные сценарии, что позволяет более точно оценить способность агента к долгосрочному планированию и адаптации к изменяющимся условиям. Это позволяет выявить ограничения существующих подходов и продемонстрировать эффективность предложенной нами архитектуры в условиях повышенной сложности задач.

Результаты тестирования показали значительное повышение процента успешного выполнения задач. На стандартном наборе данных AndroidWorld достигнут показатель успешности в 78.0%, а на расширенном наборе AW-Extend — 68.4%. Данный прирост свидетельствует об эффективности предложенного подхода к решению задач в сложных интерактивных средах, требующих долгосрочного планирования и адаптации к изменяющимся условиям.

Повышение производительности достигается за счет снижения потребления токенов, что позволяет более эффективно осуществлять обработку и рассуждения. В процессе работы поддерживается приблизительно 9000 динамических токенов. Ограничение объема используемых токенов позволяет модели сосредотачиваться на наиболее релевантной информации, избегая перегрузки и снижая вычислительные затраты, что, в свою очередь, способствует более быстрому и надежному выполнению задач в сложных средах, таких как AndroidWorld и AW-Extend.

Семантическая программа задач играет ключевую роль в повышении эффективности агента, предоставляя структурированное представление задачи для обработки. При использовании глобального состояния убеждений (Global Belief State) наблюдается значительное улучшение показателей успешного выполнения задач: на $24.1\%$ на платформе AndroidWorld и на $33.3\%$ на расширенном наборе задач AW-Extend. Данный подход позволяет агенту более эффективно планировать и выполнять сложные действия, требующие долгосрочного планирования и рассуждений, благодаря четкой и организованной структуре представления задачи.

Сравнение производительности на AndroidWorld и AW-Extend показывает, что использование пространства наблюдений Accessibility Tree (a11y) и метода Set-of-Mark (SoM) обеспечивает улучшенные результаты для Mobile-Agent-v3.

Влияние и перспективы развития

Исследование демонстрирует значительный потенциал программно-управляемого управления контекстом в решении проблем, возникающих при долгосрочном взаимодействии в сложных средах. Традиционные подходы часто сталкиваются с трудностями при сохранении релевантной информации на протяжении длительных периодов, что приводит к снижению эффективности агентов. Предложенный метод позволяет динамически отбирать и сохранять только ту информацию, которая критически важна для текущей задачи и будущих действий, обеспечивая тем самым более устойчивое и адаптивное поведение. Это особенно важно в сценариях, требующих планирования на длительный горизонт, где агент должен учитывать последствия своих действий на протяжении значительного времени. Результаты показывают, что программно-управляемое управление контекстом позволяет агентам успешно функционировать в сложных условиях, эффективно решать поставленные задачи и демонстрировать улучшенные показатели производительности по сравнению с традиционными подходами.

Использование иерархического планирования в сочетании с управлением контекстом значительно расширяет возможности агентов в процессе рассуждений. Данный подход позволяет разбивать сложные задачи на последовательность более простых подзадач, что облегчает процесс принятия решений в долгосрочной перспективе. Агент, применяющий иерархическое планирование, способен не только учитывать текущую ситуацию, но и прогнозировать последствия своих действий на нескольких шагах вперёд, эффективно используя накопленный контекст для выбора оптимальной стратегии. Это особенно важно в динамичных и непредсказуемых средах, где требуется гибкость и способность адаптироваться к изменяющимся условиям, что делает сочетание иерархического планирования и управления контекстом мощным инструментом для создания интеллектуальных агентов.

В дальнейшем планируется интеграция методов “отсечения контекста” (Context Pruning) для повышения эффективности удержания информации и снижения вычислительных затрат. Данные техники позволят агенту динамически оценивать релевантность различных фрагментов контекста, отбрасывая устаревшую или несущественную информацию. Это не только уменьшит объем памяти, необходимый для хранения контекста, но и ускорит процесс принятия решений, поскольку агент будет оперировать с более лаконичным и сфокусированным набором данных. Оптимизация контекста посредством отсечения позволит создавать более масштабируемые и эффективные системы искусственного интеллекта, способные успешно функционировать в сложных и динамичных средах, требующих обработки больших объемов информации.

Предлагаемый подход к управлению контекстом, основанный на программном руководстве, демонстрирует значительный потенциал для применения в разнообразных областях. От робототехники и автономной навигации, где поддержание актуальной информации об окружении критически важно для принятия решений, до интеллектуальных помощников и игровых агентов, требующих длительного планирования и адаптации к меняющимся обстоятельствам, эта технология способна значительно повысить эффективность и надежность систем искусственного интеллекта. Особенно перспективным представляется использование данной методики в задачах, требующих сложного взаимодействия с окружающей средой и учета большого объема данных, открывая новые возможности для создания более умных и адаптивных машин.

Динамические контекстные токены успешно отслеживаются в течение 50 шагов.

Исследование, представленное в данной работе, демонстрирует стремление к структурированию взаимодействия агента с графическим интерфейсом. Авторы предлагают подход, основанный на построении семантической программы задачи и глобальном состоянии убеждений, что позволяет агенту эффективно оперировать в условиях частичной наблюдаемости. Это напоминает подход к решению сложных систем, где понимание внутренней логики является ключом к управлению. Как однажды заметил Роберт Тарьян: «Вся вычислительная мощность компьютера бесполезна, если у вас нет алгоритма». Данная работа как раз и направлена на создание алгоритма, позволяющего агенту эффективно ориентироваться в сложном пространстве GUI, структурируя и анализируя поступающую информацию для достижения долгосрочных целей.

Что дальше?

Представленный подход, структурирующий историю взаимодействия в рамках Семантической Программы Задач, безусловно, является шагом вперед в обучении агентов, работающих с графическим интерфейсом. Однако, не стоит ли задаться вопросом: а не является ли сама идея «глобального состояния убеждений» лишь элегантной попыткой обхода фундаментальной неопределенности? Или, иными словами, не скрывает ли кажущаяся упорядоченность хаос неполной наблюдаемости, просто замаскированный под «убеждения»?

Следующим этапом представляется не столько усложнение структуры «убеждений», сколько исследование механизмов, позволяющих агенту эффективно функционировать несмотря на неполноту информации. Интересно было бы изучить, как принципы байесовского вывода, или даже более радикальные подходы, основанные на принятии решений в условиях максимальной неопределенности, могут быть интегрированы в подобные системы. Ведь ошибка — это не всегда отклонение от нормы, иногда это сигнал о новой закономерности.

И, наконец, стоит задуматься о границах применимости подобного программно-управляемого управления контекстом. Действительно ли этот подход масштабируется до задач, требующих креативности и адаптации к совершенно новым ситуациям? Или же он обречен оставаться инструментом для решения четко определенных, хотя и сложных, задач, оставляя за рамками область истинного искусственного интеллекта?

Оригинал статьи: https://arxiv.org/pdf/2512.10371.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-12-14 19:06