AgentFactory: Selbstlernende Agenten speichern Lösungen als ausführbaren Code

Die Entwicklung von Agenten, die auf großen Sprachmodellen (LLMs) basieren, gewinnt immer mehr an Bedeutung. Bisherige Ansätze zur Selbstentwicklung von LLM‑Agenten speichern erfolgreiche Erfahrungen meist als Text‑Prompts oder Reflexionen. Diese Methode garantiert jedoch nicht zuverlässig, dass Aufgaben in komplexen Szenarien effizient erneut ausgeführt werden können.

AgentFactory stellt ein neues Paradigma vor, bei dem erfolgreiche Aufgabenlösungen als ausführbarer Subagent-Code gespeichert werden. Durch kontinuierliches Feedback aus der Ausführung werden diese Subagenten verfeinert, wodurch sie mit jeder neuen Aufgabe robuster und effizienter werden.

Die gespeicherten Subagenten sind reine Python‑Dateien mit standardisierter Dokumentation, was ihre Portabilität auf jedem Python‑fähigen System gewährleistet. AgentFactory demonstriert damit eine fortlaufende Akkumulation von Fähigkeiten: Die Bibliothek an ausführbaren Subagenten wächst und verbessert sich kontinuierlich, wodurch der Aufwand für ähnliche Aufgaben ohne manuelle Eingriffe stetig sinkt.

Der Quellcode ist frei verfügbar unter https://github.com/zzatpku/AgentFactory, und ein Demo‑Video findet sich unter https://youtu.be/iKSsuAXJHW0.