Resumen: Investigamos si dar a los agentes de LLM las herramientas de colaboración y la autonomía que los humanos usan naturalmente para la resolución de problemas pueden mejorar su rendimiento. Equipamos a los agentes de Claude Code con las redes sociales y las herramientas de diario basadas en MCP y les permitimos usar estas herramientas como mejor les parezca. En los 34 desafíos de programación de Pyglot Pyglot de Aider, las herramientas de colaboración mejoran sustancialmente el rendimiento en los problemas más difíciles, ofreciendo un costo 15-40% más bajo, 12-27% menos turnos y 12-38% de finalización más rápida que los agentes de línea de base. Los efectos en el conjunto de desafíos completos son mixtos, lo que sugiere que estas herramientas actúan como potenciadores del rendimiento cuando se necesita el andamio de razonamiento adicional. Sorprendentemente, diferentes modelos adoptaron naturalmente estrategias de colaboración distintas sin instrucción explícita. Sonnet 3.7 se involucró ampliamente en herramientas y se benefició del andamio cognitivo basado en articulación. Sonnet 4 mostró una adopción selectiva, apoyándose en la búsqueda semántica basada en la revista cuando los problemas eran realmente difíciles. Esto refleja cómo los desarrolladores humanos ajustan la colaboración en función de la experiencia y la complejidad de las tareas. El análisis de comportamiento muestra que los agentes prefieren escribir sobre la lectura en aproximadamente 2-9x, lo que indica que la articulación estructurada impulsa gran parte de la mejora en lugar de el acceso a la información solo. En general, los agentes de IA pueden beneficiarse sistemáticamente de las herramientas de colaboración inspiradas en los humanos en el borde de sus capacidades, señalando interfaces colaborativas adaptativas como potenciadores de razonamiento en lugar de aumentos de eficiencia universal.
Publicado Originalme en export.arxiv.org El 17 de septiembre de 2025.
Ver Fuente Original
