Agenten‑Fähigkeitsproblem: Ressourcenbedarf vorhersehen mit Informationsgrenzen

In der Frage, wann ein autonomer Agent Ressourcen für eine Aufgabe einsetzen sollte, präsentiert die neue Arbeit das Agenten‑Fähigkeitsproblem (ACP). ACP liefert ein mathematisches Rahmenwerk, das vorhersagt, ob ein Agent unter gegebenen Ressourcenbeschränkungen ein Problem lösen kann.

Im Gegensatz zu empirischen Heuristiken betrachtet ACP das Problemlösen als Informationsgewinn. Ein Agent benötigt dafür insgesamt Itotal Bits, um eine Lösung zu identifizieren, und erhält pro Aktion Istep Bits zu einem Kostenfaktor Cstep. Daraus ergibt sich ein effektiver Kostenfaktor Ceff = (Itotal/Istep) · Cstep, der die benötigten Ressourcen bereits vor dem eigentlichen Suchprozess abschätzt.

Die Autoren zeigen, dass Ceff eine untere Schranke für die erwarteten Kosten bildet und liefern gleichzeitig scharfe probabilistische obere Schranken. Diese theoretischen Resultate ermöglichen es, die Ressourcenanforderungen präzise zu begrenzen.

Experimentelle Tests bestätigen, dass die ACP‑Vorhersagen die tatsächliche Agentenleistung eng nachbilden. Dabei werden die Suchanstrengungen konsequent begrenzt und die Effizienz gegenüber gierigen und zufälligen Strategien deutlich verbessert.

Das Framework ist vielseitig einsetzbar: Es gilt sowohl für auf großen Sprachmodellen (LLM) basierende als auch für klassische agentenbasierte Arbeitsabläufe. ACP verbindet Prinzipien aus aktivem Lernen, Bayesianischer Optimierung und Reinforcement Learning unter einem einheitlichen informations­theoretischen Ansatz.