論文の概要: CARE: Grounded Recursive Self-Improvement for Production Customer-Service Agents
- arxiv url: http://arxiv.org/abs/2611.02839v1
- Date: Mon, 02 Nov 2026 09:39:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 14:57:41.307936
- Title: CARE: Grounded Recursive Self-Improvement for Production Customer-Service Agents
- Title（参考訳）: CARE: 生産顧客サービスエージェントのための再帰的自己改善
- Abstract要約: CARE(Customer-service Agent Retrospective and Evolve)は、顧客サービスでこのプロセスを運用する基盤となるRSIフレームワークである。
その目標は、フロンティアのプロプライエタリな既存企業を、デプロイ後も学び続ける、社内のミドルサイズのモデルに置き換えることだ。
- 参考スコア（独自算出の注目度）: 50.79568861593788
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Recursive self-improvement (RSI) in production agents involves transforming accumulated experience into reliable model updates while adapting to evolving business policies. We present CARE (Customer-service Agent Retrospective and Evolve), a grounded RSI framework that operationalizes this process in customer service. Its goal is to replace a frontier proprietary incumbent with an in-house mid-sized model that continues learning after deployment. After a one-time cold start on governed production traces, the current model serves production traffic alongside the incumbent, and its own failures drive the next update. A 24/7 inspection process establishes failures through evidence-blinded, independently reviewed judgments. Attribution separates model errors from defects in Skills, tools, or the harness, routing component failures to repair. Model-attributable trajectories are truncated at the first erroneous decision and paired with verified repairs. On-policy self-distillation (OPSD) then updates the model using the same model as teacher, with the diagnosis and repair supplied as privileged information unavailable to the student. To support continued evolution as business requirements change, training mixes failures from different Skill/SOP versions, each judged against the policy in force when it occurred. Candidates run an executable simulation test compiled from the latest SOP and then frozen, followed by offline inspection of the resulting traces. Promotion requires a combined simulation-and-inspection score at least at parity with the deployed version, confirmation through an online comparison with the incumbent, and human approval.
- Abstract（参考訳）: 生産エージェントにおける再帰的自己改善(RSI)は、蓄積された経験を信頼性のあるモデル更新に変換しながら、進化するビジネスポリシーに適応させる。
顧客サービスでこのプロセスを運用する基盤となるRSIフレームワークであるCARE(Customer-service Agent Retrospective and Evolve)を紹介します。
その目標は、フロンティアのプロプライエタリな既存企業を、デプロイ後も学び続ける、社内のミドルサイズのモデルに置き換えることだ。
管理された運用トレースに対して1回限りのコールドスタートの後、現在のモデルでは、既存モデルと並行して運用トラフィックを提供し、その失敗が次のアップデートを駆動する。
24/7の検査プロセスは、証拠を提出し、独立に審査された判断によって失敗を確立する。
属性は、モデルのエラーとスキル、ツール、ハーネスの欠陥を分離し、修理のためにコンポーネントの障害をルーティングする。
モデルの帰属可能な軌道は、最初の誤った判断で切り離され、検証された修理と組み合わせられる。
On-policy Self-distillation (OPSD) は、教師と同じモデルを用いてモデルを更新し、生徒が利用できない特権情報として提供された診断と修復を行う。
ビジネス要件が変わるにつれて、継続的な進化をサポートするために、トレーニングは異なるスキル/SOPバージョンの失敗を混合する。
候補は、最新のSOPからコンパイルされた実行可能シミュレーションテストを実行し、その後凍結し、その結果のトレースをオフラインで検査する。
プロモーションには、少なくともデプロイされたバージョンと同等のシミュレーションとインスペクションのスコア、既存のものとのオンライン比較による確認、そして人間の承認が必要である。
関連論文リスト
- ARIA: Runtime Inspection and Amendment for Multi-Agent Systems [18.367556343033343]
ARIAは、進行中のマルチエージェント実行をいつ、どのように修復するかを学ぶためのフレームワークである。
4つのマルチエージェントフレームワーク、6つのベンチマーク、8つのホストモデルにわたる24,000以上の成功と失敗のトラジェクトリを収集します。
検証済みの修復をトレーニングの例として用いて、介入が必要なときの認識と、進行中の動作の修正方法をコンパクトモデルに教える。
論文 参考訳（メタデータ） (2026-10-14T18:27:47Z) - Reality Is the Final Verifier: On Two Key Gaps in Agentic Software Engineering [78.51705689800838]
本稿では, 要求, モデル, 評価器の見直しに, 展開証拠を用いた保証・修正ループを提案する。
そこで我々は,人的判断,エージェント能力,計算能力に対する資源配分問題としてエージェント開発を保証した。
論文 参考訳（メタデータ） (2026-09-10T17:58:48Z) - HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution [11.431479238875712]
我々は、信頼できるエージェントの自己進化を実現するために、参照軌道から学習する自己進化フレームワークであるHarnessEvolveを紹介する。
私たちは、さまざまなモデルとエージェントフレームワークを使用して、オープンドメインとエンタープライズシナリオにまたがるいくつかのベンチマークで広範な実験を行います。
結果は、HarnessEvolveがすべてのベンチマークと設定で、最先端のベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-09-01T07:31:18Z) - CAST: Critique-Aware Supervision for Training Reliable Long-Horizon Tool-Calling Agents [66.9575676266637]
大規模言語モデル(LLM)エージェントは、長期的、インタラクティブでステートフルな環境にますますデプロイされている。
これらの設定では、間違った購入を返金するなどの1つの間違ったアクションは、不可逆なタスクの失敗を引き起こし、実行前にインターセプトされなければならない。
CASTは、スパースタスクの結果を批判学習と政策最適化のためのアクションレベル監視に変換する、批判に意識したトレーニングフレームワークである。
論文 参考訳（メタデータ） (2026-08-31T01:59:51Z) - AEVAL: From Anecdotal to Deterministic Testing for Agentic Skill Workflows [1.6785141970297952]
AEVAL(Agentic Evaluation)はCI統合フレームワークで、このプラクティスをエージェントスキルのための決定論的かつ再現可能なテストパイプラインに置き換える。
すべてのスキル変更がテストイベントをトリガーする。スキルは、自動エグゼキュータ内の開発者が宣言した評価契約に対して実行される。
鍵となる要素は、実行子とグレーダの間の構造的分離であり、微妙だが広汎な障害モードを防止する。
論文 参考訳（メタデータ） (2026-07-16T21:33:05Z) - TTHE: Test-Time Harness Evolution [50.26245555541721]
既存のアプローチでは、デプロイ前、トレーニング前、あるいはテスト時に凍結される固定されたエージェントワークフローの開発データを最適化する。
我々は、エージェントがテスト入力で生成するラベルのない実行トレースのみを使用して、評価自体にハーネスを最適化できるかどうかを問う。
評価中、TTHEは候補ハーネスの人口を維持し、それらの実行トレースの理由をエージェントプロジェクタを通じてそれらを洗練する。
その後、審査員は実行元プロキシ信号から改善されたハーネスをコミットし、選択したプログラムは継続してその後の入力を統治する。
論文 参考訳（メタデータ） (2026-07-09T05:53:39Z) - AI Harness Engineering: A Runtime Substrate for Foundation-Model Software Agents [1.4323566945483497]
ファンデーションモデルは、自動コード生成を変革しましたが、現実的な開発環境では、自律的なソフトウェアエンジニアリングエージェントは信頼できないままです。
本稿では,基盤モデルエージェントがプロジェクトを観察し,それを処理し,フィードバックを受信し,変更が完了したことを確定する,モデルハーネス環境システムを提案する。
このフレームワークは、ファンデーションモデルがパッチを作成できるかどうかから、モデルハーネス環境システムが検証可能な正確さ、属性、メンテナンス可能な変更を生成できるかどうかという、自律的なソフトウェアエンジニアリングの中心的な疑問を再考する。
論文 参考訳（メタデータ） (2026-05-13T11:14:59Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Training Language Models to Self-Correct via Reinforcement Learning [98.35197671595343]
自己補正は、現代の大規模言語モデル(LLM)では、ほとんど効果がないことが判明した。
完全自己生成データを用いたLLMの自己補正能力を大幅に向上させるマルチターンオンライン強化学習手法であるSCoReを開発した。
SCoReは最先端の自己補正性能を実現し,MATHとHumanEvalでそれぞれ15.6%,9.1%向上した。
論文 参考訳（メタデータ） (2024-09-19T17:16:21Z)
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。