論文の概要: $Agent^2$: An Agent-Generates-Agent Framework for Reinforcement Learning Automation

• arxiv url: http://arxiv.org/abs/2509.13368v1
• Date: Tue, 16 Sep 2025 02:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.56675
• Title: $Agent^2$: An Agent-Generates-Agent Framework for Reinforcement Learning Automation
• Title（参考訳）: $Agent^2$:強化学習自動化のためのエージェント生成エージェントフレームワーク
• Authors: Yuan Wei, Xiaohan Shan, Ran Miao, Jianmin Li,
• Abstract要約: Agent2$は、完全に自動化されたRLエージェント設計を実現する新しいエージェント生成エージェントフレームワークである。 このフレームワークはRL開発を、MDPモデリングとアルゴリズム最適化の2つの異なる段階に分解する。 MuJoCo、MetaDrive、MPE、SMACを含む幅広いベンチマークの実験では、$Agent2$が手作業で設計したソリューションより一貫して優れていることが示されている。
• 参考スコア（独自算出の注目度）: 5.325886106098561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement learning agent development traditionally requires extensive expertise and lengthy iterations, often resulting in high failure rates and limited accessibility. This paper introduces $Agent^2$, a novel agent-generates-agent framework that achieves fully automated RL agent design through intelligent LLM-driven generation. The system autonomously transforms natural language task descriptions and environment code into comprehensive, high-performance reinforcement learning solutions without human intervention. $Agent^2$ features a revolutionary dual-agent architecture. The Generator Agent serves as an autonomous AI designer that analyzes tasks and generates executable RL agents, while the Target Agent is the resulting automatically generated RL agent. The framework decomposes RL development into two distinct stages: MDP modeling and algorithmic optimization, enabling more targeted and effective agent generation. Built on the Model Context Protocol, $Agent^2$ provides a unified framework that standardizes intelligent agent creation across diverse environments and algorithms, while incorporating adaptive training management and intelligent feedback analysis for continuous improvement. Extensive experiments on a wide range of benchmarks, including MuJoCo, MetaDrive, MPE, and SMAC, demonstrate that $Agent^2$ consistently outperforms manually designed solutions across all tasks, achieving up to 55% performance improvement and substantial gains on average. By enabling truly end-to-end, closed-loop automation, this work establishes a new paradigm in which intelligent agents design and optimize other agents, marking a fundamental breakthrough for automated AI systems.
• Abstract（参考訳）: 強化学習エージェントの開発は伝統的に広範囲の専門知識と長いイテレーションを必要とし、しばしば高い失敗率と限られたアクセシビリティをもたらす。 本稿では, エージェント生成エージェントフレームワークである$Agent^2$を紹介し, 知的LLM駆動型生成による完全自動RLエージェント設計を実現する。 このシステムは、自然言語のタスク記述と環境コードを、人間の介入なしに包括的で高性能な強化学習ソリューションに自律的に変換する。 Agent^2$は革命的なデュアルエージェントアーキテクチャである。 Generator Agentはタスクを分析して実行可能なRLエージェントを生成する自律AIデザイナとして機能し、Target Agentは自動生成されたRLエージェントである。 このフレームワークはRL開発を、MDPモデリングとアルゴリズム最適化という2つの異なる段階に分解し、よりターゲットを絞って効果的なエージェント生成を可能にする。 Model Context Protocol上に構築された$Agent^2$は、さまざまな環境やアルゴリズムでインテリジェントなエージェント生成を標準化する統合フレームワークを提供すると同時に、適応的なトレーニング管理とインテリジェントなフィードバック分析を継続的改善に取り入れている。 MuJoCo、MetaDrive、MPE、SMACを含む幅広いベンチマークに関する大規模な実験は、$Agent^2$がすべてのタスクで手作業で設計されたソリューションを一貫して上回り、パフォーマンスの改善を最大55%達成し、平均的に大幅に向上することを示した。 この作業は、真にエンドツーエンドのクローズドループ自動化を可能にすることで、インテリジェントエージェントが他のエージェントを設計、最適化する新たなパラダイムを確立し、自動化されたAIシステムの根本的なブレークスルーを示す。

関連論文リスト

• AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents [4.57755315319748]
  大規模言語モデル (LLM) エージェントはタスクの自動化とインテリジェントな意思決定において顕著な能力を示した。 これらのフレームワークは、主に開発者に対して広範な技術的専門知識を提供する。 世界の人口の0.03%のみが必要なプログラミングスキルを持っている。
  論文  参考訳（メタデータ） (2025-02-09T16:53:56Z)
• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)
• DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
  大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。 開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。 デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:07Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。