PRECEPT: LLM-Agenten neu – Präzise Regelabfrage, Konflikt‑Bewusstsein & Pareto‑Prompt

Die neue Methode PRECEPT bringt LLM‑Agenten auf ein neues Level der Test‑Time‑Adaptation. Durch die Kombination von drei eng verknüpften Komponenten – deterministische, exakte Regelabfrage, ein konfliktbewusstes Gedächtnis mit bayesscher Quellenzuverlässigkeit und ein Pareto‑optimierter Prompt‑Evolution‑Loop – werden typische Schwächen von Sprachmodellen gezielt adressiert.

Die exakte Regelabfrage nutzt strukturierte Bedingungsschlüssel, wodurch Fehler bei Teilabgleichen komplett eliminiert werden. Gleichzeitig ermöglicht eine semantische Hierarchie das nahtlose Stapeln von Regeln, was die Komposition komplexer Aufgaben stark verbessert.

Das konfliktbewusste Gedächtnis erkennt und löst Unstimmigkeiten zwischen statischen und dynamischen Wissensquellen. Durch bayessche Zuverlässigkeitsbewertungen und Schwellenwert‑basierte Regelinvaliderung kann das System sich schnell an Wissensänderungen anpassen und Drift zuverlässig kompensieren.

Der COMPASS‑Loop bewertet Prompts über dieselbe End‑zu‑End‑Ausführungspipeline und optimiert sie Pareto‑orientiert. Dadurch wird die Effizienz gesteigert und die Lernkurve beschleunigt.

In umfangreichen Tests mit 9–10 Zufallssamen zeigte PRECEPT beeindruckende Ergebnisse: ein +41,1‑Prozent‑Punkt‑Vorsprung bei der ersten Ausführung gegenüber Full Reflexion, +33,3 pp bei der kompositorischen Generalisierung und 100 % Erfolgsrate bei 2‑Wege‑Logistik‑Kompositionen. Darüber hinaus erzielte es kontinuierliche Lerngewinne von 40–55 pp, blieb robust gegen adversariales statisches Wissen und zeigte eine Drift‑Wiederherstellung von +55 pp. Die durchschnittliche Schrittzahl wurde um 61 % reduziert.

Alle Vergleiche sind statistisch signifikant (p < 0,001), was die Zuverlässigkeit der vorgestellten Ansätze unterstreicht. PRECEPT stellt damit einen bedeutenden Fortschritt für die praktische Anwendung von LLM‑Agenten dar, die in dynamischen Umgebungen zuverlässig und effizient agieren müssen.