‏Autoresearch: حلقه‌ای که ایجنت‌ها باهاش خودشون رو بهبود می‌دن

Roland Gavrilescu قبل از تأسیس Introspection روی agent infrastructure در xAI کار می‌کرد. اون و co-founderش Julian Bright به این نتیجه رسیدن که یه فرم جدید از ایجنت‌ها نیاز به infrastructure اختصاصیه.

به گفته Gavrilescu، صنعت از مدل‌ها به harness ها رفته، و حالا به «loop ها» داره می‌رسه. autoresearch یعنی یه outer loop که ایجنت‌ها باهاش سیستم اصلی رو مطالعه می‌کنن، بهبودش می‌دن، و تصمیمات معماری می‌گیرن - بدون اینکه مدام bottleneck انسان بشن.

مفهوم کلیدی «recipe» هست. یه data recipe در model post-training توضیح می‌ده چقدر داده از هر حوزه باید وارد مدل بشه. یه agent recipe مشابهه: چطور harness با مدل‌های مختلف کار می‌کنه، چه eval هایی داری، چه judge هایی ساختی، چه expertise انسانی رو capture کردی، و چه خطاهایی به eval های جدید منجر شدن.

ساختار inner loop و outer loop داره. inner loop سیستم اصلیه که با کاربران تعامل می‌کنه. outer loop - که autoresearch روی اونه - سیستم دیگه‌ایه که inner loop رو مطالعه و نگه‌داری می‌کنه. چالش طراحی signal های درست و مکانیزم‌های feedbackه تا ایجنت‌ها بتونن بدون slop بیشتر، کار بیشتری رو به عهده بگیرن.

هدف سوم Gavrilescu - کنار «loop محصوله» و «recipe» - اینه که چطور سیستم با گذشت زمان هم بهتر و هم ارزون‌تر بشه. شرکت‌هایی مثل Cursor و Cognition نشون دادن این محصولات می‌تونن کار کنن. مرحله بعدی اینه که اونا رو در دسترس‌تر، سریع‌تر، و ارزون‌تر کنیم و قابلیت‌های frontier models رو به سیستم‌های اختصاصی‌تر distill کنیم.

Introspection یه فریم‌ورک open-source به اسم Pi هم داره که به شرکت‌ها اجازه می‌ده این loops رو بسازن. هدف اصلی اینه که سیستم از انسان یاد بگیره ولی به‌تدریج بتونه به‌صورت مستقل‌تری کار کنه.

نکات کلیدی:

• Autoresearch: یه outer loop که سیستم ایجنت اصلی رو مطالعه و بهبود می‌ده
• «Recipe»: container برای eval ها، judge ها، و بازخورد انسانی
• هدف: سیستمی که با زمان هم بهتر و هم ارزان‌تر می‌شه
• Introspection فریم‌ورک open-source Pi رو برای این loops ارائه می‌ده