Neues Lernsystem optimiert Agenten-LLM-Konfigurationen effizient

Die neueste Veröffentlichung auf arXiv (2602.11574v1) präsentiert ein innovatives Lernsystem, das die Konfiguration von Agenten, die auf großen Sprachmodellen (LLM) basieren, revolutioniert.

Traditionell werden LLM-Agenten mit starren Vorlagen oder handgefertigten Heuristiken konfiguriert, was zu sprödem Verhalten und unnötigem Rechenaufwand führt – insbesondere wenn dieselbe Konfiguration für sowohl einfache als auch komplexe Anfragen verwendet wird.

Die Autoren formulieren die Agenten-Konfiguration als ein abfragebezogenes Entscheidungsproblem und stellen ARC (Agentic Resource & Configuration learner) vor. ARC nutzt Reinforcement Learning, um eine leichte hierarchische Policy zu lernen, die Workflows, Werkzeuge, Token-Budgets und Prompts dynamisch an jede einzelne Anfrage anpasst.

In einer Reihe von Benchmarks, die sowohl logisches Denken als auch tool-unterstützte Frage‑Antwortaufgaben abdecken, übertrifft die lernbasierte Policy herkömmliche, handgefertigte Baselines konsequent. Sie erzielt bis zu 25 % höhere Aufgabengenauigkeit und senkt gleichzeitig Token- und Laufzeitkosten.

Diese Ergebnisse zeigen deutlich, dass das Lernen von abfragebezogenen Konfigurationen eine leistungsstarke Alternative zu „One‑Size‑Fits‑All“-Designs darstellt und die Entwicklung robuster, ressourceneffizienter Agenten‑LLM‑Systeme vorantreibt.