Agenten lernen zu warten: Synchronisation mit der physischen Welt

In der realen Welt laufen Agenten nicht immer synchron – Aktionen starten oft ohne sofortige Rückmeldung, was zu einem „Zeitlücke“-Problem führt. Traditionelle Lösungen, wie blockierende Wrapper oder häufiges Abfragen, schränken die Skalierbarkeit ein oder füllen den Kontext des Agenten mit unnötigen Beobachtungen.

Die neue Arbeit präsentiert einen Agenten‑seitigen Ansatz, bei dem große Sprachmodelle (LLMs) ihre eigene „kognitive Zeitleiste“ aktiv mit der physischen Welt abgleichen. Durch die Erweiterung des Code‑als‑Aktion‑Paradigmas auf den Zeitbereich nutzen Agenten semantische Vorwissen und In‑Context‑Learning, um exakt vorherzusagen, wie lange sie warten müssen – etwa mit time.sleep(t). So synchronisieren sie sich effizient mit asynchronen Umgebungen, ohne ständiges Prüfen.

In Simulationen eines Kubernetes‑Clusters konnten die Agenten ihre internen Uhren präzise kalibrieren, was sowohl die Abfrage‑Last als auch die Ausführungslatenz deutlich senkte. Die Ergebnisse zeigen, dass zeitliche Bewusstheit ein erlernbares Merkmal ist, das für die autonome Weiterentwicklung in offenen, dynamischen Umgebungen unerlässlich ist.