Resumen: Los agentes del modelo de lenguaje grande están remodelando el panorama industrial. Sin embargo, la mayoría de los agentes prácticos siguen siendo diseñados por humanos porque las tareas difieren ampliamente, lo que hace que su construcción requiera mucha mano de obra. Esta situación plantea una pregunta central: ¿podemos crear y adaptar automáticamente agentes de dominio en la naturaleza? Si bien varios enfoques recientes han buscado automatizar la creación de agentes, normalmente tratan la generación de agentes como un procedimiento de caja negra y se basan únicamente en métricas de rendimiento finales para guiar el proceso. Estas estrategias pasan por alto evidencia crítica que explica por qué un agente tiene éxito o fracasa y, a menudo, requieren altos costos computacionales. Para abordar estas limitaciones, proponemos ReCreate, un marco basado en la experiencia para la creación automática de agentes de dominio. ReCreate aprovecha sistemáticamente los historiales de interacción de los agentes, que proporcionan señales concretas y valiosas tanto sobre las causas del éxito o el fracaso como sobre las vías de mejora. Específicamente, introducimos un paradigma de agente como optimizador que aprende efectivamente de la experiencia a través de tres componentes clave: (i) un mecanismo de almacenamiento y recuperación de experiencias para la inspección bajo demanda; (ii) un canal de sinergia que crea razonamiento y que mapea la experiencia de ejecución en ediciones de andamios; y (iii) actualizaciones jerárquicas que abstraen detalles a nivel de instancia en patrones de dominio reutilizables. En experimentos en diversos dominios, ReCreate supera consistentemente a los agentes diseñados por humanos y a los métodos automatizados de generación de agentes existentes, incluso cuando se parte de andamios de semillas mínimos.
Publicado originalmente en export.arxiv.org el 18 de enero de 2026.
Ver fuente original
