Atlas: Speicher‑Kernel, der Agenten‑Erfahrung in präzise Anweisungen umwandelt

Ein neues Forschungsdokument aus dem arXiv‑Repository präsentiert Atlas, einen Speicher‑Kernel, der die gesammelte Erfahrung von Sprachagenten in ein optimiertes Anweisungssystem überführt. Im Gegensatz zu herkömmlichen Speicherlösungen, die sich auf das Abrufen und Paginieren von Informationen konzentrieren, adressiert Atlas die Frage, welche Erfahrungen wirklich wertvoll sind und wie sie das Verhalten eines Agenten prägen sollten.

Atlas arbeitet ohne Feinabstimmung, Retrieval‑Augmented‑Generation (RAG) oder menschliches Eingreifen. Statt Daten zu speichern, distilliert er sie: Fakten aus Fehlern und Erfolgen eines Agenten werden durch ein dreistufiges Promotions‑Gate verifiziert und anschließend in Form von Unterpunkten in das System‑Prompt des Agenten eingearbeitet. Diese Vorgehensweise ersetzt die klassische Kontext‑Injektion durch eine gezielte Anweisungs‑Umformulierung.

Die Wirksamkeit von Atlas wurde an zwei anspruchsvollen Aufgaben getestet. Bei der Analyse von CUAD‑Vertragsdaten verbesserte das entwickelte Prompt bei GPT‑4o die token‑basierte F1‑Metrik um 8,7 pp und die Präzision um 12,5 pp. Auf der Multi‑Hop‑Frage‑Antwort‑Plattform HotpotQA stieg die gemeinsame F1‑Metrik um 3,16 pp. Eine Ablation zeigte, dass das System exakt das lernt, was ihm beigebracht wird, und nichts darüber hinaus.

Interessanterweise übertrug sich der Erfolg von Atlas auch auf andere Modelle. Beim Claude Sonnet 4.5, das mit demselben, unveränderten Prompt aus GPT‑4o‑Fehlern kompiliert wurde, stieg die gemeinsame F1‑Metrik um 2,31 pp. Die Verbesserungen konzentrierten sich besonders dort, wo Claude bereits eine starke Basis hatte, was beweist, dass das kompiliertes Wissen auf die Aufgabe zugeschnitten ist und nicht auf das Modell selbst.