Une nouvelle publication déposée sur arXiv décrit ADIAS (*Automated Design of Interactive Agentic Systems*), un cadre destiné à automatiser la conception d’agents interactifs à partir de révisions successives du code. L’idée centrale consiste à améliorer un agent par cycles d’évaluation, de correction et de synthèse du retour d’expérience, mais en changeant la manière dont ce retour est structuré.
Les auteurs estiment que les méthodes existantes sont surtout centrées sur les candidats : l’historique est organisé autour des différentes versions d’agents testées, ce qui rend la progression des réparations peu explicite d’un cycle à l’autre. D’après eux, cette organisation complique l’identification des corrections prioritaires, ralentit la consolidation des améliorations partielles et peut prolonger des interventions inefficaces.
ADIAS introduit à la place une optimisation centrée sur les problèmes. Le système maintient un état persistant des issues, avec une identité stable pour chaque problème, son statut dans le temps, les preuves associées et l’historique des interventions menées. Ce suivi sert ensuite à guider les révisions de code complètes, en proposant à la fois les cibles de réparation et les directions de modification jugées les plus pertinentes.
Selon l’article, ADIAS surpasse le meilleur baseline retenu de 25,2 % en moyenne sur cinq benchmarks interactifs, avec des gains observés sur quatre modèles de base. Les expériences d’ablation rapportées suggèrent aussi que la suppression de l’état persistant des problèmes, ou le retour à une logique de révision centrée sur les candidats, entraîne des baisses de performance pouvant atteindre 40,7 %. Ces résultats restent à interpréter dans le cadre d’une prépublication arXiv, mais ils signalent une piste prometteuse pour l’ingénierie automatisée d’agents.