De fleste forskningsteam bruker nå KI-agenter til gjentakende arbeid: rangere kandidater, anbefale innstillinger for neste kjøring, planlegge en batch, gå gjennom en analyse. Arbeidet gjentar seg hver uke. I de fleste oppsett forblir agenten som den var. På den hundrede oppgaven oppfører den seg som på den første, og feilen en ekspert korrigerte forrige måned, dukker opp igjen denne måneden.
Dette innlegget handler om agenter som blir bedre med bruk: hva det bør bety for et forskningsteam, hvordan MS Duplex får det til med agentene du allerede kjører, hvordan ett verifisert resultat blir en metode hele teamet gjenbruker, og hvordan du vurderer forbedringen på ditt eget arbeid.
Hva «bedre med bruk» bør bety
For et forskningsteam er den nyttige testen snever. Agentens atferd bør endre seg på grunn av resultater arbeidet ditt har bekreftet, og du bør kunne se hvilke resultater som førte til hvilken endring. Flyt og selvsikkerhet er uvesentlig. Forbedring i forskning viser seg som færre kjøringer brukt på tilnærminger teamet allerede vet feiler, bedre førstevalg i tilbakevendende beslutninger og færre korreksjoner for samme type feil.
I MS Duplex er målestokken utfallet. En test består, en måling kommer tilbake, en ekspert godkjenner en konklusjon eller korrigerer den og sier hvorfor. Disse bekreftede utfallene er det agentene dine lærer av, og de er også det hver endring i atferd vurderes mot. Agentens egen oppfatning av hvor godt den gjorde det, er ikke belegg.
- En test eller kontroll som består eller feiler på agentens forslag
- Et målings- eller simuleringsresultat fra en kjøring agenten planla
- En eksperts godkjenning av en konklusjon
- En eksperts korreksjon, med begrunnelsen bak
Teamet ditt velger hvilke av disse utfallene MS Duplex fanger opp, og forskerne og ingeniørene dine avgjør hva som tas i bruk. Reglene dine kommer først.
Hvordan en agents atferd endrer seg, runde for runde
For teamet endrer dagen seg lite. Agentene dine fortsetter å jobbe gjennom verktøyene de bruker i dag, i Claude, Codex, Cursor, en annen agent som snakker MCP, eller dine egne agenter via API og Python SDK. MS Duplex ligger ved siden av modellen, med vektene uendret, og tar imot utfallene etter hvert som de kommer. Hvert bekreftede resultat læres fra neste forespørsel.
To endringer følger. Det som fungerte, flyttes fremst: neste gang et lignende tilfelle dukker opp, er tilnærmingen bak en bekreftet suksess blant det første agenten prøver. Det som feilet, slutter å bli foreslått under betingelsene der det feilet. Den andre halvdelen betyr like mye som den første. En innstilling som feiler utenfor et kjent driftsområde, kan fungere fint innenfor det, så MS Duplex holder betingelsene sammen med feilen og holder innstillingen tilbake bare der de stemmer.
Si at agenten til et team anbefaler innstillinger for neste kjøring av en tilbakevendende evaluering. Over noen runder kan mønsteret se slik ut:
- En blandet første rundeAgenten anbefaler innstillinger for åtte kjøringer. Fem består teamets akseptkontroll. Tre feiler, alle med den samme innstillingen presset forbi området der metoden holder. Teamet bekrefter begge settene med resultater.
- En smalere andre rundeAgenten starter fra innstillingene bak de fem suksessene og utelater den feilende innstillingen der betingelsene stemmer. Færre kjøringer går til et utfall teamet allerede har sett.
- En korreksjon med begrunnelseEn fagfelle korrigerer én anbefaling og noterer hvorfor: en kontroll agenten hoppet over, er viktig for denne typen input. Fra neste forespørsel tar agenten med den kontrollen på tilsvarende input.
- Et bedre førstevalgEn uvanlig kombinasjon lykkes der det vanlige førstevalget kom til kort. Den nye tilnærmingen tar plassen fremst, knyttet til kjøringen som begrunnet den.
- En gjennomgang med loggen åpenLederen åpner loggen og ser hver endring i agentens atferd, når den skjedde og hvilke utfall som førte til den.
Ingenting av dette ventet på en treningskjøring, et klargjort datasett eller at noen skrev om agentens instruksjoner. Agenten ble bedre mellom gjennomgangene, fordi belegget fortsatte å komme mellom gjennomgangene.


Fra ett verifisert resultat til en metode teamet gjenbruker
Noe av det en agent lærer, er en preferanse: prøv dette først, hold det tilbake her. Noe av det er en hel prosedyre. En forsker lander på en rekkefølge av kontroller som fanger opp dårlig input før den bruker opp en kjøring, eller en måte å klargjøre data på som gjør en sammenligning mellom design rettferdig. Når en test eller en ekspert bekrefter at prosedyren fungerer, tar MS Duplex vare på den som en metode, med stegene, betingelsene de ble bekreftet under og resultatet som beviste dem.
En metode brukes på én av to måter, avhengig av hvor nært det neste tilfellet ligger.
Det neste tilsvarende tilfellet
Der betingelsene stemmer med dem metoden ble bekreftet under, bruker agenten den direkte. Agenten til en kollega på samme type oppgave får de samme utprøvde stegene, så resultatet avhenger mindre av hvem som tilfeldigvis kjørte arbeidet.
Et beslektet tilfelle
Der noe er annerledes, for eksempel et nytt inputformat, et annet verktøy eller et bredere driftsområde, tilpasser MS Duplex metoden til de nye betingelsene og foreslår den for kontroll før noen stoler på den. Når den tilpassede versjonen er bekreftet, blir den en egen metode. Over tid bygger et team opp en familie av beslektede metoder, hver knyttet til resultatet som beviste den.
Metoder teamet ditt stoler på, deles med de personene og agentene reglene dine tillater. En metode kan bli hos én forsker, deles med et team eller bli en standard i hele organisasjonen. Hver av dem verifiseres på nytt der den brukes, så en prosedyre som er bevist i én sammenheng, kontrolleres igjen i den neste før den regnes som pålitelig der. Agenten til et nytt teammedlem starter med teamets beste metoder allerede på plass, og når en ekspert går videre, blir metodene vedkommende utarbeidet værende i teamet.


Se hvorfor agenten endret seg
En forbedring teamet ditt ikke kan spore, er vanskelig å stole på og enda vanskeligere å forsvare overfor dem som finansierer arbeidet. MS Duplex loggfører hver endring i atferd: hva agenten nå gjør annerledes, siden når og hvilke utfall som begrunnet det. Hver metode beholder resultatet den bygger på. Når en leder spør hvorfor agenten planlegger bedre kjøringer denne måneden enn forrige, står svaret i loggen, med kildene.
Loggen er også måten en feil rettes på. Si at én endring bygde på ett enkelt resultat som senere viste seg å være tvilsomt. Teamet fjerner den ene lærdommen, og anbefalingene som var avhengige av den, forsvinner sammen med den, mens alt annet agenten har lært, blir værende. Å korrigere en lærdom fungerer på samme måte: bare den lærdommen endres.
Etter hvert som tilnærminger beviser sin verdi, kan flere rutinemessige beslutninger avgjøres direkte ut fra lærte metoder, ofte uten noe modellkall i det hele tatt. Der belegget er tynt eller tilfellet er ukjent, går beslutningen til modellen din eller til en forsker, med begrunnelsen.
- +16 poengmer presis enn en modell finjustert for oppgaven, på gjentakende arbeid, uten noen treningskjøring, i MatterSpaces kontrollerte tester
Det tallet kommer fra MatterSpaces kontrollerte tester av MS Duplex på gjentakende arbeid. Det viser hva læring fra bekreftede utfall kan gjøre ved siden av en modell. Hva det gjør for teamet ditt, er et spørsmål for ditt eget arbeid, vurdert av dine egne eksperter.
Slik vurderer du det på ditt eget arbeid
Den rettferdige testen av en agent som forbedrer seg med bruk, er gjentakende arbeid teamet ditt allerede gjør, målt slik ekspertene dine ville målt det.
- Velg beslutninger som gjentar seg, og der en feil eller unødvendig kjøring er dyr. Forbedring er lettest å se der samme type valg kommer tilbake ofte.
- Bli enig med ekspertene dine om målestokken før noe kjøres: kostnaden for hvert akseptert, reproduserbart resultat, og eksperttiden det krever.
- Kjør samme modell, verktøy, data og budsjett med og uten MS Duplex, side om side.
- La ekspertene dine gi resultatene poeng blindt, uten å vite hvilket oppsett som produserte dem.
- Les loggen i tillegg til poengene: feil som slutter å gjenta seg, korreksjoner ingen må gjøre to ganger og metoder som når nye teammedlemmer.
En pilot med MatterSpace følger det mønsteret, på dine egne arbeidsflyter, med ekspertene dine som dommere.
Vanlige spørsmål
Forbedrer agenten seg uten at noen går gjennom den?
Den forbedrer seg ut fra utfallene teamet ditt velger å fange opp, for eksempel tester, målinger og ekspertkorreksjoner, så den fortsetter å bli bedre mellom gjennomgangene. Forskerne og ingeniørene dine avgjør hva som tas i bruk, reglene dine kommer først, og i styrte miljøer venter stegene du velger, på en person før de kjøres.
Hva er forskjellen mellom en lærdom og en metode?
En lærdom endrer hva agenten prøver eller holder tilbake i en gitt situasjon, for eksempel en innstilling som feilet under bestemte betingelser. En metode er en hel prosedyre som er bekreftet å fungere, lagret med stegene, betingelsene og resultatet som beviste den, så den kan brukes direkte eller tilpasses et beslektet tilfelle.
Må vi finjustere modellen vår?
Nei. MS Duplex virker ved siden av modellen, med vektene uendret, så det er ikke noe datasett å klargjøre og ingen treningskjøring å vente på. Den virker like godt ved siden av en finjustert modell som en generell.
Hva skjer med det agenten har lært, hvis vi bytter modell?
Det blir hos teamet ditt. Erfaringen ligger i MS Duplex, i et lager organisasjonen din eier, så en ny modell eller agent starter fra metodene og lærdommene teamet ditt allerede har bekreftet.


Bygget av MatterSpace
MatterSpace bygger MS Duplex for forskere, vitenskapsfolk og ingeniører i alle fagfelt, slik at AI-en de allerede bruker lærer av hvert resultat de bekrefter.









