Unüberwachtes Zyklus-Erkennen in KI-Agenten: Neue Methode entdeckt Schleifen

Agenten, die auf großen Sprachmodellen basieren, zeigen oft unvorhersehbare Verhaltensmuster, die sich in versteckten Ausführungsschleifen manifestieren. Diese Schleifen verbrauchen Ressourcen, ohne dass klassische Beobachtungsplattformen Fehler melden, und stellen damit ein ernstes Problem für die Effizienz von KI-Anwendungen dar.

In einer neuen Studie wurde ein völlig unüberwachtes Framework vorgestellt, das sowohl strukturelle als auch semantische Analysen kombiniert. Zunächst wird eine rechnerisch effiziente Analyse des zeitlichen Aufrufstapels durchgeführt, um offensichtliche Schleifen zu identifizieren. Anschließend nutzt das System semantische Ähnlichkeitsmessungen, um subtile Zyklen aufzudecken, die durch redundante Inhaltserzeugung entstehen.

Die Methode wurde auf 1 575 Trajektorien einer LangGraph-basierten Börsenanwendung getestet. Das hybride Verfahren erreichte einen F1‑Score von 0,72 (Präzision 0,62, Recall 0,86) und übertraf damit die einzelnen Ansätze deutlich: die reine strukturelle Analyse erzielte einen F1 von 0,08, während die semantische Methode einen F1 von 0,28 erreichte.

Die Ergebnisse sind vielversprechend, zeigen aber gleichzeitig, dass noch erheblicher Verbesserungsbedarf besteht. Zukünftige Arbeiten werden sich darauf konzentrieren, die Genauigkeit weiter zu erhöhen und die aktuellen Einschränkungen des Ansatzes zu adressieren.