Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Агент научился восстанавливать бизнес-правила корпоративной системы по результатам собственных действий и обновлять модель её поведения при изменениях. CDA обошёл подход с поиском правил для каждого вопроса на 8,98 пункта IoU — метрики совпадения предсказанных и фактических изменений, хотя работа не рецензирована и все числа получили сами авторы. После разведки агент отвечает без обращения к работающей системе.
CDA меняет поля записей, наблюдает побочные эффекты и записывает найденные связи как отдельные проверяемые правила. Например, агент может вывести, что отклонение согласования меняет его порядковый номер, а затем исправить правило, если система начинает записывать другое значение. Модель переносят в следующую версию среды, а не собирают заново.
На всех трёх проверенных LLM такой подход предсказывал последствия действий точнее, чем DA, который заново читал правила из живой системы при каждом вопросе. На разведку ушло от 91 до 480 действий в зависимости от модели; этот разовый расход окупался после 45–86 вопросов. CDA также давал меньше ложных предсказаний, но находил примерно столько же реальных изменений.
Проверку провели в одной среде ServiceNow с девятью таблицами и 25 скрытыми правилами. Последовательные версии различались только одним изменённым, добавленным или удалённым правилом, а во время разведки агентам разрешали читать определения активных правил. CDA успешно исправлял и добавлял знания, но ни одна модель не удалила отменённое правило: архитектуре нужен явный шаг, который сравнивает ожидаемый эффект с наблюдением и считает его отсутствие опровержением.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
