Onderzoekers hebben een nieuw systeem ontwikkeld dat AI-agenten in staat stelt om tijdens het coderen dynamisch te schakelen tussen complexe macro-vaardigheden en eenvoudige micro-stappen om fouten effectiever op te lossen.
In een recent wetenschappelijk artikel, ingediend op 22 oktober 2026, presenteren onderzoekers Dingxuan Zhang, Yanhui Jiang, Jun Wang en Hefeng Zhou een nieuwe methode om de betrouwbaarheid van zogenaamde 'coding agents' te verbeteren. Het framework, genaamd Adaptive Skill Granularity, richt zich op de manier waarop grote taalmodellen (LLM's) taken uitvoeren door gebruik te maken van modulaire eenheden van vaardigheden.
De uitdaging van vaardigheidsgranulariteit
Binnen de huidige ontwikkeling van AI-agenten worden herbruikbare vaardigheden gebruikt om specifieke procedures, hulpmiddelen en uitvoeringsrichtlijnen te bundelen. Volgens de publicatie op arxiv.org lag de focus in voorgaand onderzoek vooral op hoe agenten deze vaardigheden ophalen, samenstellen of synthetiseren vóórdat de feitelijke uitvoering begint.
De onderzoekers stellen echter dat de uitvoering zelf een complex controleprobleem vormt tijdens runtime. Een specifieke programmeertaak kan namelijk op verschillende manieren worden opgelost: via eenvoudige, primitieve tool-aanroepen (micro-niveau), via uitgebreide macro-vaardigheden, of via een hybride vorm waarbij een macro-proces wordt gestart maar bij fouten wordt teruggevallen op micro-niveau herstel.
Werking van het nieuwe framework
Het voorgestelde systeem behandelt de granulariteit van vaardigheden als een actie-abstractiebeleid. Dit beleid wordt bepaald op basis van drie factoren: de structuur van de taak, de huidige status van de uitvoering en eventuele mislukkingen van macro-vaardigheden.
Om dit te realiseren, combineert het framework twee kerncomponenten:
1. Een granulariteitscontroller op basis van kenmerken.
2. Een executor voor herstel op basis van een eindige-toestandsautomaat (finite-state recovery executor).
Door deze opzet kan de AI-agent tijdens het proces beslissen of een complexe actie moet worden voortgezet of dat er moet worden overgeschakeld naar een fijnmaziger niveau om een fout te corrigeren.
Resultaten en conclusies
De effectiviteit van het framework is getoetst met een deterministisch protocol voor codeeragenten. Hierbij zijn diverse statistieken gebruikt, waaronder de totale kosten, de mate van adoptie van macro-vaardigheden en de correctheid van overgangen.
Uit de resultaten blijkt dat het gebruik van vaste macro-uitvoeringen weliswaar efficiënt is wanneer de situatie perfect aansluit, maar dat dit systeem kwetsbaar is bij mismatches. De implementatie van runtime-routing en expliciet 'macro-to-micro' herstel zorgt voor een aanzienlijk hogere robuustheid. Het systeem is in staat om gecontroleerde fouten in macro-vaardigheden op te lossen die bij een vaste granulariteit onopgelost zouden blijven, zoals beschreven in de .
De auteurs concluderen dat bibliotheken met vaardigheden voor codeeragenten niet langer enkel als bronnen voor informatie retrieval moeten worden gezien. In plaats daarvan moeten ze worden beschouwd als controleerbare, verifieerbare en herstelbare abstracties voor de uitvoering van taken.
Context van AI-applicaties
Terwijl academisch onderzoek zich richt op de interne logica van agenten, richten commerciële platforms zich op de toegankelijkheid van dergelijke technologieën. Zo streeft het adaptive.ai ernaar om de creatie van AI-gestuurde webapplicaties mogelijk te maken zonder dat daarvoor programmeerkennis vereist is. Waar het wetenschappelijke onderzoek van Zhang en collega's zich bezighoudt met de technische granulariteit van code-uitvoering, focust de commerciële laag van op het wegnemen van technische barrières zoals serverconfiguraties en API-beheer.
Het platform biedt gebruikers de mogelijkheid om AI-functies, zoals documentanalyse of chatbots, te implementeren via natuurlijke taal, terwijl de onderliggende infrastructuur en modelselectie automatisch worden afgehandeld door de dienst van . Dit illustreert de kloof tussen de fundamentele optimalisatie van AI-agenten in de wetenschap en de praktische implementatie voor eindgebruikers in de softwaremarkt.