エッシャー・ループ：クローズドループによる自己言及的最適化を通じた相互進化

要旨: 近年の自律エージェントは目覚ましい能力を示していますが、主として手作業でスクリプト化されたワークフローや、手作りのヒューリスティックに依存しており、そのことが本質的に、開かれた形での改善の可能性を制限しています。これに対処するため、我々は Escher-Loop を提案します。これは完全にクローズドループ（閉ループ）な枠組みであり、2つの異なる集団の相互進化を実運用化します。具体的には、具体的な問題を解くタスクエージェント（Task Agents）と、タスクエージェントと自身の両方を再帰的に改良するオプティマイザエージェント（Optimizer Agents）です。この自己言及的な進化を維持するために、動的なベンチマーク手法を提案します。この手法では、新たに生成されたタスクエージェントの経験的スコアを、相対的な勝敗（勝ち負け）信号としてシームレスに再利用し、オプティマイザのスコアを更新します。この仕組みは、タスクエージェントの進化そのものを本質的な信号として活用し、追加のオーバーヘッドなしにオプティマイザの評価と洗練を導きます。数学的最適化問題に関する経験的評価により、Escher-Loop は静的なベースラインの性能上限を効果的に押しのけ、同一の計算資源条件のもとで、評価した全タスクにおける最高の絶対ピーク性能を達成することが示されています。さらに驚くべきことに、オプティマイザエージェントが、高性能なタスクエージェントの要求が変化するのに合わせて、自ら戦略を動的に適応させる様子が観察されます。これが、システムの継続的な改善と、終盤における優れた性能を説明しています。