SAGE: Agenten lernen aus eigenen Erfahrungen und verbessern ihre Leistung

Ein brandneues Framework namens SAGE (Self‑Abstraction from Grounded Experience) ermöglicht es Sprachmodell‑Agenten, aus ihren eigenen Ausführungen zu lernen und ihr Verhalten systematisch zu verfeinern. Durch die Analyse eines ersten Rollouts extrahiert der Agent eine kompakte Plan‑Abstraktion, die die wichtigsten Schritte, Abhängigkeiten und Einschränkungen zusammenfasst.

Diese erstellte Abstraktion wird anschließend als kontextuelle Leitlinie zurück in den Agenten eingespeist. Auf diese Weise kann die Policy gezielt angepasst werden, sodass nachfolgende Durchläufe strukturierter und informierter ablaufen.

Experimentelle Ergebnisse zeigen, dass SAGE konsistente Leistungssteigerungen über verschiedene LLM‑Backbones und Agentenarchitekturen hinweg liefert. Besonders beeindruckend ist die 7,2 % relative Verbesserung gegenüber dem etablierten Mini‑SWE‑Agenten, wenn SAGE mit dem GPT‑5 (High) Backbone kombiniert wird.

Im SWE‑Bench Verified Benchmark erzielt SAGE mit dem Mini‑SWE‑Agenten einen Pass@1‑Wert von 73,2 % und mit dem OpenHands CodeAct Agenten 74 %. Damit demonstriert das System eine starke Gesamtleistung in anspruchsvollen Software‑Engineering‑Aufgaben.

Die Ergebnisse wurden auf arXiv (ArXiv‑ID 2511.05931v1) veröffentlicht und markieren einen bedeutenden Fortschritt auf dem Weg zu selbstverbessernden, software‑engineering‑fähigen KI‑Agenten.