ترجمه فارسی مقاله طراحی خودکار سیستم های عامل

چکیده

Researchers are investing substantial effort in developing powerful general-purpose agents, wherein Foundation Models are used as modules within agentic systems (e.g. Chain-of-Thought, Self-Reflection, Toolformer). However, the history of machine learning teaches us that hand-designed solutions are eventually replaced by learned solutions. We formulate a new research area, Automated Design of Agentic Systems (ADAS), which aims to automatically create powerful agentic system designs, including inventing novel building blocks and/or combining them in new ways. We further demonstrate that there is an unexplored yet promising approach within ADAS where agents can be defined in code and new agents can be automatically discovered by a meta agent programming ever better ones in code. Given that programming languages are Turing Complete, this approach theoretically enables the learning of any possible agentic system: including novel prompts, tool use, control flows, and combinations thereof. We present a simple yet effective algorithm named Meta Agent Search to demonstrate this idea, where a meta agent iteratively programs interesting new agents based on an ever-growing archive of previous discoveries. Through extensive experiments across multiple domains including coding, science, and math, we show that our algorithm can progressively invent agents with novel designs that greatly outperform state-of-the-art hand-designed agents. Importantly, we consistently observe the surprising result that agents invented by Meta Agent Search maintain superior performance even when transferred across domains and models, demonstrating their robustness and generality. Provided we develop it safely, our work illustrates the potential of an exciting new research direction toward automatically designing ever-more powerful agentic systems to benefit humanity.

چکیده به فارسی (ترجمه ماشینی)

محققان در حال سرمایه گذاری در تلاش برای توسعه عوامل قدرتمند عمومی هستند ، که در آن از مدل های پایه به عنوان ماژول در سیستم های عامل استفاده می شود (به عنوان مثال زنجیره ای از فکر ، خود بازتاب ، ابزار ابزار).با این حال ، تاریخچه یادگیری ماشین به ما می آموزد که راه حل های طراحی شده دست در نهایت با راه حل های آموخته شده جایگزین می شوند.ما یک منطقه تحقیقاتی جدید ، طراحی خودکار سیستم های عامل (ADA) را تدوین می کنیم ، که هدف آن ایجاد خودکار طرح های قدرتمند سیستم عامل از جمله اختراع بلوک های ساختمانی جدید و/یا ترکیب آنها به روش های جدید است.ما همچنین نشان می دهیم که یک رویکرد ناشناخته و در عین حال امیدوارکننده در ADA وجود دارد که می توان عوامل را به صورت کد تعریف کرد و عوامل جدید را می توان به طور خودکار توسط یک برنامه نویسی متا که همیشه بهتر در کد کشف می شود ، کشف کرد.با توجه به اینکه زبانهای برنامه نویسی کامل هستند ، این رویکرد از نظر تئوری یادگیری هر سیستم عامل ممکن را امکان پذیر می کند: از جمله دستورالعمل های جدید ، استفاده از ابزار ، جریان کنترل و ترکیب های آن.ما یک الگوریتم ساده و در عین حال مؤثر به نام Meta Agent Search را برای نشان دادن این ایده ارائه می دهیم ، جایی که یک عامل متا به طور تکراری عوامل جدید جالب را بر اساس یک بایگانی رو به رشد اکتشافات قبلی برنامه ریزی می کند.از طریق آزمایش های گسترده در حوزه های مختلف از جمله برنامه نویسی ، علم و ریاضیات ، ما نشان می دهیم که الگوریتم ما می تواند به تدریج عوامل را با طرح های جدید اختراع کند که از عوامل پیشرفته و پیشرفته ای بسیار بهتر است.نکته مهم ، ما به طور مداوم نتیجه غافلگیرکننده ای را مشاهده می کنیم که عوامل اختراع شده توسط جستجوی متا عملکرد برتر را حتی در هنگام انتقال به دامنه ها و مدل ها حفظ می کنند و نشان دهنده استحکام و کلی بودن آنها هستند.به شرط آنکه ما آن را با خیال راحت توسعه دهیم ، کار ما پتانسیل یک جهت تحقیق جدید هیجان انگیز را به سمت طراحی خودکار سیستم های عامل قدرتمند همیشه قدرتمند برای بهره مندی از بشریت نشان می دهد.