Hierarchische Rückblick-Reflexion verbessert LLM-Agenten bei Multi-Task-Aufgaben

Neuer Ansatz namens Hierarchical Hindsight Reflection (H²R) ermöglicht es Sprachmodell-basierten Agenten, ihr Wissen in fein abgestufte Ebenen zu gliedern. Durch die Trennung von hochrangiger Planungs- und niedriger Ausführungs‑Speicher wird das Wissen effizienter übertragen, sodass Agenten schneller auf neue Aufgaben reagieren können.

H²R nutzt vergangene Interaktionen mit der Umgebung, um wiederverwendbare, hierarchische Wissensstrukturen zu extrahieren. Während des Tests werden die beiden Speicherarten separat abgerufen, wodurch das Modell gezielt auf die für die aktuelle Aufgabe relevanten Informationen zugreifen kann.

Experimentelle Ergebnisse auf zwei Benchmark‑Datensätzen zeigen, dass H²R die Generalisierung und Entscheidungsqualität deutlich steigert und bestehende Baselines wie Expel übertrifft. Der Ansatz eröffnet neue Möglichkeiten für robuste, mehrzweckfähige KI‑Agenten.