AI системите стават все по-мощни, но и все по-трудни за контролиране, особено когато трябва да изпълняват дълги последователности от стъпки. Познатото „AI brain fog“ — моментът, в който моделът губи нишката на задачата — се превръща в сериозно препятствие за разработчиците на агенти, които комбинират езикови модели със символно програмиране. Именно към този проблем се насочват Asari AI, Caltech и MIT с новата рамка EnCompass, представена на NeurIPS 2025 в Сан Диего.
EnCompass предлага по-гъвкав начин за изграждане на агенти, като позволява на програмистите да коригират грешки и да изпробват различни стратегии за търсене, без да променят основната логика на системата. Вместо сложни цикли и твърдо кодирани правила, рамката въвежда леки анотации, които маркират ключови решения и оценяват качеството на избраните пътища. Това отделя логиката на агента от механизма, по който той търси решения, и прави експериментирането значително по-лесно.
Практическите резултати са впечатляващи. При превод на големи хранилища от Java към Python EnCompass успява да намали необходимия код за търсене с 80 процента и да повиши точността на агента от 15 на 40 процента. Според екипа това е важна стъпка към създаването на по-надеждни системи, способни да се справят със сложни задачи в области като здравеопазване, инженеринг и управление на данни.
Научната работа зад EnCompass е публикувана в сборника на NeurIPS под заглавието “EnCompass: Enhancing Agent Programming with Search Over Program Execution Paths”, а проектът е реализиран с участието на изследователи от Asari AI, MIT и Caltech.