EvoFSM: Selbstentwickelnde Finite-State-Maschinen für adaptive KI-Agenten

Ein neues arXiv-Papier präsentiert EvoFSM, ein strukturiertes Framework, das KI-Agenten die Möglichkeit gibt, sich selbst zu verbessern, ohne dabei die Kontrolle zu verlieren. Durch die Verwendung expliziter endlicher Zustandsautomaten (Finite State Machines, FSM) statt freier Code‑ oder Prompt‑Rewrites schafft EvoFSM eine klare Trennung zwischen der Logik der Zustandsübergänge (Flow) und den spezifischen Verhaltensweisen in jedem Zustand (Skill).

Traditionelle LLM‑basierte Agenten arbeiten meist mit starrem Workflow, was ihre Anpassungsfähigkeit an offene, reale Fragestellungen stark einschränkt. Selbstentwickelnde Ansätze, die unkontrollierte Optimierung zulassen, führen häufig zu Instabilität, Halluzinationen und Abweichungen von den ursprünglichen Anweisungen. EvoFSM begegnet diesen Problemen, indem es die Optimierung auf eine kleine Menge von eingeschränkten Operationen beschränkt, die von einem „Critic“-Mechanismus überwacht werden.

Ein weiteres Highlight ist die selbstentwickelnde Speicherfunktion, die erfolgreiche Lösungswege als wiederverwendbare Vorlagen speichert und gleichzeitig Muster von Fehlern als Einschränkungen für zukünftige Anfragen festhält. Diese Kombination aus Flow‑ und Skill‑Optimierung sowie gezieltem Lernen aus Erfolgen und Misserfolgen sorgt für eine robuste und kontrollierbare Weiterentwicklung der Agenten.

Die Leistung von EvoFSM wurde an fünf Multi‑Hop‑QA‑Benchmarks getestet. Besonders beeindruckend ist die 58,0 % Genauigkeit auf dem DeepSearch‑Benchmark, ein deutliches Signal für die Effektivität des Ansatzes. Zusätzlich zeigen Tests in interaktiven Entscheidungsaufgaben, dass EvoFSM seine Fähigkeiten auch außerhalb von Frage‑Antwort‑Szenarien erfolgreich generalisieren kann.

Mit EvoFSM eröffnet sich ein vielversprechender Weg, KI-Agenten zu entwickeln, die sich selbst anpassen können, ohne dabei die Kontrolle über ihr Verhalten zu verlieren. Die Kombination aus strukturiertem FSM‑Design, gezielter Optimierung und lernfähigem Speicher macht diesen Ansatz zu einem wichtigen Schritt in Richtung stabiler, adaptiver KI-Systeme.