בעידן שבו מודלי שפה גדולים (LLMs) מניעים את פיתוח תוכניות ומערכות רב-סוכניות, גישות קיימות סובלות מבעיות: מוטציות מבוססות-דריסה שומרות רק מועמד אחד בכל פעם, זורקות וריאנטים שימושיים ומסכנות את המבנה. EvoLattice, מסגרת חדשה שפורסמה ב-arXiv, משנה את חוקי המשחק. היא מייצגת אוכלוסייה שלמה של מועמדים בתוך גרף מכוון ללא מחזורים (DAG) יחיד. כל צומת בגרף שומרת מספר אלטרנטיבות מתמשכות, וכל מסלול תקף יוצר מועמד נפרד – חלל חיפוש קומבינטורי עשיר ללא כפילויות.
EvoLattice מאפשרת הערכה מדויקת ברמת האלטרנטיבה: כל אלטרנטיבה מדורגת על פני כל המסלולים שבהם היא מופיעה, ומייצרת סטטיסטיקות על השפעת בחירות מקומיות על ביצועים גלובליים. נתונים אלה מספקים אות פידבק צפוף למוטציות, שילובים וגיזום מונחים על ידי LLM, תוך שמירה על רכיבים מוצלחים. המסגרת מבטיחה תקינות מבנית באמצעות מנגנון תיקון עצמי דטרמיניסטי, שמכפה אי-מחזוריות ועקביות תלויות ללא תלות ב-LLM.
המסגרת מתרחבת באופן טבעי לאבולוציה של סוכנים, כאשר אלטרנטיבות מייצגות פרגמנטים של פרומפטים או התנהגויות תת-סוכנים. בניסויים בסינתזת תוכניות (פרוקסי ולמידת-מטא אופטימיזציה), EvoLattice מציגה אבולוציה יציבה יותר, ביטוייות גבוהה והתקדמות חזקה יותר מגישות קודמות מונחות LLM. הדינמיקה דומה לאופטימיזציה של איכות-גיוון, שמתעוררת באופן סמוי מהייצוג הרב-אלטרנטיבי.
בהשוואה לגישות overwrite-based, EvoLattice מונעת עריכות הרסניות, חוקרת חלל חיפוש גמיש יותר ומשמרת וריאנטים שימושיים. זה רלוונטי במיוחד לעסקים ישראליים בפיתוח AI, שם יעילות בסינתזת קוד יכולה להאיץ פרויקטים. המסגרת פותחת דלת לשיפורי ביצועים משמעותיים בפיתוח תוכנה אוטומטי.
עבור מנהלי טכנולוגיה, EvoLattice מציעה כלי לאבולוציה יעילה של פתרונות מורכבים. כיצד תשלבו גישה זו בפרויקטי ה-AI שלכם? קראו את המאמר המלא ב-arXiv כדי להתחיל.