Последните постижения в големите езикови модели (ГЕМ) са позволили създаването на AI агенти, способни да планират и използват различни инструменти за изпълнение на сложни задачи. Въпреки тези технологични напредъци, съществуващите изследвания относно надеждността и ефективността на такива AI агенти в реални сценарии остават ограничени. За да се справят с това, учени разработиха нова рамка с множество агенти, специално предназначена за маркетингово предизвикателство, известно като курация на аудиторията. Наречена RAMP, тази рамка е проектирана да планира стратегически действия, да извиква необходимите инструменти, да проверява резултатите и да генерира усъвършенствани предложения за подобряване на качеството на курирани аудитории. Ключовата иновация е дългосрочното й хранилище за памет, което служи като база данни с клиентска информация и записи на предишни заявки. Този компонент на памет предоставя необходимия контекстуален разбиране за персонализирано и точно генериране на аудитории. В проведените оценки рамката RAMP показа значителни подобрения в производителността. По-специално, комбинирането на планиране въз основа на ГЕМ с използването на памет доведе до увеличение с 28 процентни пункта в точността при широк набор от 88 тестови заявки. Освен подобренията в точността, използването на итеративна проверка и рефлексия по неясни заявки позволи на системата да увеличи припомнянето с около 20 процентни пункта при всяка цикъл на проверка/рефлексия върху по-малък набор от предизвикателни заявки.

Тази итеративна фина настройка не само подобрява резултатите при извличане на информация, но и повишава удовлетвореността на потребителите. Успехът на RAMP в изпълнението на задачата по курация на аудитории подчертава практическата стойност на интеграцията на планиране с ГЕМ и постоянна памет в AI системите. Чрез включването на механизми за проверка и рефлексия, рамката намалява несигурностите и двусмислиците, присъщи на сложните задачи, като по този начин повишава надеждността и устойчивостта. Тези резултати имат важни последствия за внедряването на AI решения, базирани на ГЕМ, в динамичните, реални индустриални среди, където постоянното развитие на данни и специфичният контекст на клиента са постоянни предизвикателства. Освен това, прилагането на итеративна оценка на изхода съответства на утвърдените човешки практики за вземане на решения и представлява обещаващ подход за имитиране на рефлексивни методологии от страна на AI системите. Чрез непрекъсната проверка и усъвършенстване, AI агентите могат да постигнат по-голяма надеждност и последователност в различни области, извън маркетинга, като обслужване на клиенти, създаване на съдържание и стратегическо планиране. В обобщение, това изследване представлява важен напредък към надеждни, контекстуално осъзнати AI агенти, пригодени за управление на сложни професионални задачи. Интеграцията на дългосрочна памет и итеративна верификация в рамката с множество агенти RAMP не само подобрява точността и припомнянето, но и цялостното потребителско изживяване. С развитието на AI, рамки, основани на тези принципи, ще бъдат от критично значение за преодоляване на разликата между експерименталните способности и практическите, индустриално готови решения.