Construire un Agent Auto-Évolutif : Amélioration Autonome

Construisez un agent de planification de voyage qui s'améliore sans aucune modification humaine de l'invite, puis regardez-le apprendre à tricher. Sur un ensemble de données fixe de lieux, d'horaires et de transports, le véritable score de l'agent est la faisabilité : les arrêts sont-ils réellement ouverts et le transport est-il réellement réalisable ? Exécutez l'optimisation adk et regardez la faisabilité grimper de ~40 % à ~90 %, et lisez les nouvelles règles que l'agent a écrites dans ses propres instructions ("vérifiez les heures et le temps de trajet avant d'ajouter un arrêt"). Ensuite, échangez le juge contre une métrique de "semble-complet" et attrapez-le la main dans le sac : il bourre l'itinéraire avec des arrêts non vérifiés, exposés instantanément lorsque vous l'évaluez à nouveau sur la faisabilité réelle. La leçon capitale : vous optimisez ce que vous mesurez, donc évaluez la trajectoire (a-t-il vraiment vérifié ?), pas la réponse. Peut être adapté à Vertex Gen AI Eval et à l'affinage de Gemma à partir des traces. 🕒 Amériques : Jeudi 20 août : 9h00 PDT 🕒 Asie-Pacifique : Vendredi 21 août : 9h30 IST