Ecdysis evolui arneses de agentes LLM apenas a partir de falhas que se repetem entre tarefas

Arneses de execução auto-evolutivos podem melhorar substancialmente os agentes LLM, mas as abordagens existentes orientadas por falhas tratam cada falha observada como evidência direta para modificar o arnês. Um problema central: uma falha pode refletir tanto limitações do modelo subjacente quanto deficiências sistemáticas do arnês, e otimizar contra falhas individuais induz uma acomodação específica ao modelo que prejudica a generalização entre tarefas e modelos.

A percepção do Ecdysis é que falhas que se repetem entre tarefas distintas fornecem evidência indutiva mais forte de deficiências sistemáticas do arnês do que falhas isoladas. Ele agrega a evidência de falhas entre instâncias de tarefas antes de promover padrões de falha recorrentes a uma evolução persistente do arnês, e emprega análise colaborativa de falhas para refinar as especificações de modificação.

Em múltiplos LLMs e benchmarks, o Ecdysis melhora a acurácia de raciocínio dos arneses evoluídos em 18,56% em relação à evolução de arneses existente, ao mesmo tempo que alcança treinamento de arnês até 1,84x mais rápido, com treinamento mais eficiente em dados. Uma análise refinada mostra que ele reduz a acomodação específica ao modelo durante a evolução, e os arneses resultantes exibem generalização mais forte entre LLMs e menor consumo de tokens em tempo de inferência.

Trate a recorrência como o limiar de evidência: uma falha vista entre tarefas distintas é dívida do arnês; uma ocorrência isolada é o modelo sendo o modelo

Falhas que se repetem entre tarefas distintas são evidência indutiva mais forte de deficiências sistemáticas do arnês do que falhas isoladas.

Agregar primeiro impede que as peculiaridades de um modelo sejam incorporadas ao arnês.

A análise colaborativa de falhas refina as especificações de modificação antes que as edições sejam aplicadas.

A avaliação entre LLMs mostra que as edições generalizam em vez de acomodar um único modelo.

Antes de corrigir um sistema em torno de uma falha, pergunte quantos contextos independentes a produziram. A recorrência entre contextos separa defeitos da estrutura de suporte dos limites do trabalhador subjacente.

Publicado como pré-impressão v1 em 10 de setembro de 2026 (v2 em 20 de setembro); relatado em múltiplos LLMs e benchmarks com análise refinada da redução da acomodação específica ao modelo. Nenhuma implantação em produção relatada.