Adaptive · Evolution

Kausale Fehleranalyse zur Strategieanpassung — die Lücke zwischen "es ist fehlgeschlagen" und "es ist fehlgeschlagen, weil...".

Adressiert

Kausales Lernen — die Lücke zwischen dem Beobachten eines Fehlers und dem Verstehen seiner Ursache.

Wann es stabilisiert

Wenn ein Agent wiederholt an derselben Aufgabe scheitert, wenn Erfolgsquoten im Laufe der Zeit sinken oder wenn sich die Umgebung ändert und alte Strategien versagen.

Beispiel

Ein Reflexion-Knoten hängt nach jedem fehlgeschlagenen Durchlauf eine kausale Kritik an das Gedächtnis an und markiert die Ursache, damit der Planner dieselbe Zerlegung beim nächsten Mal vermeidet.

Extraktion wiederverwendbarer Prozeduren aus vergangenen Erfahrungen, Umwandlung von Einmallösungen in persistente Assets.

Adressiert

Skill-Compounding — das Versäumnis, Einmallösungen in wiederverwendbare Assets umzuwandeln.

Wann es stabilisiert

Wenn dieselbe Teilaufgabe in mehreren Workflows auftaucht, wenn Prompt-Engineering für ähnliche Probleme wiederholt wird oder wenn Agenten in Umgebungen mit niedriger Latenz operieren müssen, die Neu-Planung ausschließen.

Beispiel

Ein Tool-Calling-Pattern, das zehnmal erfolgreich war, wird in eine parametrisierte Funktionsvorlage extrahiert und in einer Skill-Bibliothek für zukünftiges Retrieval registriert.

Kontinuierliche Überwachung ethischer und operativer Guardrails, Drift abfangen, bevor er kaskadiert.

Adressiert

Werteausrichtung und laufende Sicherheitsdrift.

Wann es stabilisiert

Wenn Agenten sensible Daten verarbeiten, wenn Ausgaben reale Entscheidungen beeinflussen oder wenn bei der Initialisierung definierte Guardrails über lange Sitzungen hinweg erhalten bleiben sollen.

Beispiel

Ein LLM-as-judge-Evaluator läuft nach jedem Tool-Aufruf, bewertet die Ausgabe anhand einer Sicherheitsrubrik und hält den Graph an, wenn der Score unter einen Schwellenwert fällt.