ALTK-Evolve : Révolutionner l'apprentissage des agents IA

ALTK-Evolve : Transformer l'apprentissage des agents IA

Dans le domaine de l'intelligence artificielle, les agents sont souvent limités par leur incapacité à apprendre de manière efficace et à appliquer des connaissances acquises à de nouvelles situations. Traditionnellement, ces agents se contentent de relire des transcriptions, ce qui les conduit à répéter des erreurs sans pouvoir transférer les leçons apprises à d'autres contextes.

ALTK-Evolve se distingue en convertissant les expériences brutes des agents en directives réutilisables. Lors de tests de performance, cette méthode a démontré une amélioration notable de la fiabilité des agents, notamment dans des tâches complexes, avec une augmentation de 14,2% sur la plateforme AppWorld, tout en évitant de surcharger le contexte de travail.

La problématique de l'« intern perpétuel »

Imaginez un chef cuisinier qui, bien qu'ayant mémorisé tous les livres de recettes, oublie chaque jour les spécificités de votre cuisine. Il ne se souvient pas que votre four chauffe plus que la normale ou que vos clients préfèrent un peu plus de sel. Ce chef suivra une recette à la lettre mais sera désemparé en cas de rupture de stock de citrons. Cette analogie illustre le fonctionnement de nombreux agents IA actuels : ils excellent dans l'exécution d'instructions précises mais peinent à accumuler une véritable compréhension de leur environnement.

Un jeune cuisinier a besoin de recettes distinctes pour chaque plat, tandis qu'un chef expérimenté comprend que « l'acidité équilibre la graisse » et applique ce principe universellement. De même, pour être véritablement efficaces, les agents IA doivent extraire des principes de leurs expériences et les appliquer à de nouvelles tâches, au lieu de se contenter de reproduire des actions passées. Le système de mémoire à long terme d'ALTK-Evolve permet précisément cette transformation, en convertissant les interactions en directives candidates, en filtrant pour la qualité, et en intégrant uniquement les conseils pertinents au moment opportun.

Une étude récente du MIT a révélé que 95% des échecs des agents sont dus à leur incapacité à s'adapter et à apprendre sur le terrain. ALTK-Evolve comble cette lacune en utilisant une mémoire épisodique à long terme pour améliorer le raisonnement des agents.

Solution : mémoire à long terme avec ALTK-Evolve

Evolve est un système de mémoire conçu pour aider les agents IA à s'améliorer continuellement, en apprenant et en utilisant des directives issues des exécutions antérieures.

Le système fonctionne selon une boucle continue :

• Flux descendant (observation & extraction) : Il capture l'ensemble des trajectoires des agents, incluant les énoncés des utilisateurs, les réflexions, les appels d'outils et les résultats, dans une couche d'interaction. Des outils comme Langfuse ou d'autres basés sur OpenTelemetry permettent d'extraire des motifs structurels et de les conserver comme entités candidates.

• Flux ascendant (raffinement & récupération) : Un processus de consolidation et de notation en arrière-plan fusionne les doublons, élimine les règles faibles et renforce les stratégies éprouvées, créant ainsi une bibliothèque de directives, de politiques et de procédures opérationnelles standard (SOP) de haute qualité. La récupération ne sélectionne que les éléments pertinents via la couche d'interaction et les réinjecte dans le contexte au niveau de la couche d'application.

Cette approche est efficace pour plusieurs raisons :

• Enseignement du jugement : Elle transforme des événements isolés en stratégies transférables entre différentes tâches.

• Contrôle du bruit : La notation maintient la mémoire légère et utile, évitant une accumulation excessive d'informations non pertinentes.

• Divulgation progressive : La récupération se fait juste à temps, sans surcharger le contexte de travail.

Résultats : amélioration de la fiabilité, surtout sur des tâches complexes

Nous avons testé le cadre sur AppWorld, où les agents accomplissent des tâches réalistes en plusieurs étapes via des API, utilisant en moyenne 9,5 API à travers 1,8 applications. Les cas complexes nécessitent un flux de contrôle plus élaboré. Un agent ReAct a reçu les instructions de tâche ainsi que les 5 meilleures directives récupérées lors d'une exécution antérieure et a été testé sur une partition non vue. Nous avons mesuré le Scenario Goal Completion (SGC), une métrique de cohérence stricte qui exige le succès à travers les variantes.

Les évaluations ont révélé plusieurs conclusions clés :

• Généralisation : L'agent s'améliore sur les tâches non vues, démontrant qu'il apprend des principes plutôt que de simplement mémoriser des recettes.

• Échelle de complexité : Plus la tâche est complexe, plus l'agent bénéficie de directives apprises, avec un gain maximal sur les tâches les plus difficiles. Les tâches complexes ont vu une augmentation relative de 74% du succès, les directives aidant à naviguer dans les flux de contrôle complexes.

• Cohérence : Les gains SGC ont surpassé les améliorations du taux de réussite brut, réduisant le comportement imprévisible à travers les variantes de scénario. Les directives ne se contentent pas d'aider l'agent à résoudre des tâches, elles l'aident à les résoudre de manière fiable à travers les variantes.

Démarrer (choisissez votre chemin)

Il existe plusieurs façons d'intégrer ALTK-Evolve dans votre agent.

• Sans code avec Claude Code, Codex et IBM Bob (mode Lite) : Installez le plugin dans Claude Code :
  • claude plugin marketplace add AgentToolkit/altk-evolve
  • claude plugin install evolve-lite@evolve-marketplace

C'est tout ! Le plugin extrait des entités des trajectoires et les stocke sous forme de fichiers sur votre système de fichiers. Il utilise les hooks de Claude Code pour une récupération automatique.

• Avec un agent ReAct (low-code) : Ajoutez un seul altk_evolve.auto import et activez un drapeau pour émettre des traces vers une interface utilisateur Arize Phoenix. Ensuite, synchronisez les traces pour générer des directives d'amélioration sans changer votre pile actuelle. Cela fonctionne avec des clients LLM populaires et des frameworks d'agents (par exemple, OpenAI, LiteLLM et Hugging Face agents), vous permettant de conserver votre pile actuelle tout en gagnant en visibilité.

• Avec CUGA (pro-code) : Nous avons intégré ALTK-Evolve directement dans CUGA via MCP pour créer une boucle d'apprentissage serrée et à faible surcharge. Avant chaque exécution, l'outil MCP get_guidelines est appelé pour faire ressortir des orientations spécifiques à la tâche et réduire les essais-erreurs. Après l'exécution, CUGA renvoie des traces d'exécution structurées via save_trajectory, permettant à Evolve d'apprendre de ce qui s'est réellement passé et d'améliorer les conseils futurs.

Essayez-le et partagez vos découvertes

Votre agent ne devrait pas se réveiller comme un stagiaire chaque matin. Cette approche l'aide à apprendre sur le terrain.

Si vous utilisez Claude Code, Codex et IBM Bob, essayez-le en quelques minutes et voyez comment cela améliore votre agent.

Étoilez le dépôt, cela aide les autres à découvrir le projet et guide directement ce que nous construisons ensuite.