Faire évoluer le harnais, puis le modèle

Alors que les agents d'IA prennent en charge des workflows plus longs et plus complexes, une question importante se pose : comment les systèmes d'agents peuvent-ils apprendre de l'expérience et s'améliorer au fil du temps ? Construire ce type de boucle d'apprentissage implique plus que le modèle lui-même. Cela réunit l'environnement de l'agent, les outils, la mémoire, le retour d'information, l'évaluation et la post-formation — et nécessite des choix minutieux sur la manière dont ces composants interagissent. Rejoignez Hermes × AReno × Ant Ling pour une conversation pratique sur l'évolution des systèmes d'agents avec Ling-3.0-tiny. En rassemblant des perspectives à travers les écosystèmes d'agents, de modèles et de formation, nous discuterons des technologies, des considérations de conception et des compromis techniques qui sous-tendent la construction de systèmes d'agents plus adaptatifs. Que vous travailliez sur des agents, des modèles, de la formation ou une infrastructure d'IA, cette session offre un aperçu plus approfondi de la façon dont l'apprentissage des agents et l'auto-amélioration prennent forme en pratique.