Resumen: Los sistemas modernos de clasificación a gran escala operan dentro de un panorama sofisticado de objetivos en competencia, limitaciones operativas y requisitos de productos en evolución. El progreso en este dominio se ve cada vez más obstaculizado por la restricción del contexto de ingeniería: el arduo proceso de traducir la intención ambigua del producto en hipótesis razonables, ejecutables y verificables, en lugar de utilizar técnicas de modelado únicamente. Presentamos GEARS (Generative Engine for Agentic Ranking Systems), un marco que reformula la optimización de la clasificación como un proceso de descubrimiento autónomo dentro de un entorno de experimentación programable. En lugar de tratar la optimización como una selección de modelo estático, GEARS aprovecha las habilidades de los agentes especializados para encapsular el conocimiento experto en clasificación en capacidades de razonamiento reutilizables, lo que permite a los operadores dirigir los sistemas a través de una personalización del ambiente de intención de alto nivel. Además, para garantizar la confiabilidad de la producción, el marco incorpora ganchos de validación para imponer solidez estadística y filtrar políticas frágiles que se ajustan demasiado a las señales de corto plazo. La validación experimental en diversas superficies de productos demuestra que GEARS identifica consistentemente políticas superiores y casi Pareto-eficientes al sinergizar señales algorítmicas con un contexto de clasificación profundo mientras mantiene una rigurosa estabilidad de implementación.
Publicado originalmente en export.arxiv.org el 23 de febrero de 2026.
Ver fuente original
