HGM-Dual : harnais optimisé pour agents planificateurs

Contexte

Cet article, publié sur arXiv, traite de l'optimisation du harnais pour les agents planificateurs. Le harnais désigne la couche de prompts, d'outils et de workflows construite autour d'un grand modèle de langage figé ou propriétaire. Dans ce cadre, les poids du modèle sont hors de portée. Il ne reste que l'enveloppe externe comme levier, et l'optimisation du harnais devient une voie concrète pour renforcer un agent.

Les méthodes les plus connues sont Darwin-Godel Machine et Huxley-Godel Machine (HGM). Toutes deux reposent sur l'auto-amélioration récursive : l'agent modifie sa propre configuration à répétition et conserve ce qui fonctionne. Elles ont surtout été développées pour la programmation. Dans ce domaine, une coïncidence aide : la compétence nécessaire pour améliorer l'agent est la même que celle qu'on cherche à améliorer. La boucle d'édition et la tâche visée s'alignent donc naturellement.

Les tâches de planification rompent cet alignement. Un agent planificateur doit produire une suite d'appels d'outils, et plusieurs contraintes en interaction doivent être satisfaites en même temps. Selon les auteurs, l'auto-modification ouverte y fonctionne mal : elle explore sans cesse des changements sans effet, et chaque essai raté consomme du budget d'évaluation. Leur réponse est HGM-Dual, un cadre guidé par l'information de diagnostic, conçu pour rendre l'évolution du harnais moins coûteuse.

Analyse approfondie

HGM-Dual repose sur deux idées centrales. La première est le contexte conscient de la lignée. Une pratique courante range les agents passés dans une archive plate, que l'éditeur doit fouiller seul. HGM-Dual consigne au contraire, pour chaque ancêtre, ce qui a été modifié, quels comportements se sont améliorés, lesquels ont régressé, et quelles modifications n'ont rien changé. L'éditeur voit ainsi le lien entre un changement et son résultat. Il distingue les types d'édition utiles de ceux qui font perdre du temps, et il évite de retenter la même impasse. La seconde idée est la génération de descendants à double voie, conditionnée par les erreurs. Pour chaque parent retenu, le système produit deux sortes d'enfants. L'enfant général garde l'exploration ouverte et ne restreint pas la direction de la modification, ce qui préserve la chance de découvrir une amélioration inattendue. Les enfants spécialisés visent les contraintes que le parent a le plus souvent violées. Le système juge d'abord quels composants du harnais causent probablement ces violations, puis ne modifie que ceux-là. Comment HGM-Dual décide-t-il où intervenir dans un harnais de planification ? Il lit le signal de diagnostic dans les cas échoués du parent lui-même. Il classe les contraintes les plus violées et les relie aux composants du harnais les plus probablement responsables. L'éditeur n'a pas à deviner où agir. Le budget d'évaluation, limité, se concentre ainsi sur les modifications les plus prometteuses, tandis que l'enfant général évite une recherche trop étroite. La mesure centrale de l'article est la case accuracy : la part des cas de planification où toutes les contraintes sont satisfaites simultanément. La comparaison inclut la meilleure base de référence et plusieurs variantes de HGM. Le résumé rapporte deux résultats. HGM-Dual améliore la case accuracy jusqu'à 14,45 % face à la meilleure base de comparaison. Il égale aussi la performance finale des variantes de HGM avec un budget d'évaluation 2 à 4 fois moindre.

L'expression « jusqu'à » compte. Le gain dépend de la configuration, et 14,45 % est le meilleur cas, pas une valeur garantie. Le résumé ne nomme ni les benchmarks ni les modèles sous-jacents, et il ne décrit pas les études d'ablation. La contribution respective du contexte de lignée et de la double voie ne peut donc pas se trancher à partir du seul résumé. Il faut lire l'article complet avant de conclure.

Impact sur l'industrie

Que signifie ce travail pour les équipes qui bâtissent des agents sur des modèles propriétaires ? L'article répond à une question concrète. Quand le modèle est figé, peut-on régler prompts, outils et workflows de façon plus structurée et moins chère ? Les auteurs affirment que l'auto-amélioration récursive, efficace en programmation, ne se transpose pas telle quelle à la planification, car les deux tâches ne partagent plus la même compétence requise. Les équipes d'ingénierie gagnent donc à examiner la nature de la tâche avant de choisir un optimiseur automatique.

Le résultat sur le budget pèse lourd. Évaluer un harnais candidat sur des tâches de planification suppose souvent de rejouer tout un lot de cas, de bout en bout. Chaque candidat coûte cher. Une méthode qui atteint la même précision finale avec un budget d'évaluation 2 à 4 fois moindre peut convertir l'économie en davantage de cycles d'évolution ou en facture réduite. Pour les équipes qui paient chaque appel à un modèle fermé, la différence est directe.

L'idée de lignée a aussi une valeur au-delà de cet article. Donner à l'éditeur un historique de modifications assorti d'attributions l'aide plus que de lui remettre un tas d'anciennes versions. La double voie offre une façon simple d'équilibrer exploration et exploitation : laisser certains enfants ouverts et en pointer d'autres vers les erreurs les plus bruyantes. Les scénarios à contraintes couplées, comme la construction d'itinéraires, l'ordonnancement de ressources ou les parcours de service client, sont des terrains naturels pour tester ces principes.

Perspectives

Le résumé laisse plusieurs questions ouvertes. Le signal de diagnostic pourrait devenir plus fin. Il désigne aujourd'hui les contraintes les plus violées et leurs composants associés. Un signal plus détaillé pourrait séparer les causes à l'intérieur d'un même composant. Le registre de lignée grossit aussi à mesure que l'évolution avance. Peut-on le compresser sans perdre les attributions qui le rendent utile ? Le matériel disponible ici ne l'aborde pas.

Une seconde question concerne l'horizon. Le résumé cadre le travail autour de tâches de planification à contraintes en interaction, mais il ne dit pas comment la méthode se comporte sur des tâches bien plus longues. Il ne précise pas non plus son comportement quand les contraintes sont plus difficiles à détecter automatiquement. Ces points demanderaient des preuves tirées de l'article complet et de réplications indépendantes.

Pour les praticiens, la suite raisonnable consiste à lire la liste des benchmarks, les choix de modèles et les tableaux d'ablation. Les chiffres phares, jusqu'à 14,45 % de case accuracy en plus et un budget d'évaluation 2 à 4 fois plus petit, sont des signaux forts. Ils restent pourtant issus d'un résumé. Avant d'adopter la méthode, les équipes devraient vérifier que le cadre de test ressemble à leur propre charge de planification, puis mesurer l'économie de budget sur leurs cas.