Mi concentrerò sull'agente di deep learning, multi agent rag, memoria

## Guida all'innovazione nel design e miglioramenti per l'apprendimento rinforzato agentico RL e LLM

 Gli LLM stanno evolvendo gradualmente da macchine Q&A a turni singoli a sistemi agentici capaci di interagire ripetutamente

 tra ragionamento e uso di strumenti esterni in ambienti multi-turno. Da Search-R1 a ToolRL e SkyRL, i modelli devono ora

 non solo pensare, ma anche cercare, calcolare, chiamare API e migliorare continuamente se stessi attraverso RL in traiettorie multi-

 step.

 ## 1. Miglioramenti innovativi nel design degli algoritmi di RL agentico

 ### 1.1 Architettura di apprendimento rinforzato gerarchico

 Un meccanismo decisionale gerarchico divide le decisioni di un Agents in tre livelli: il livello strategico per la decomposizione dei compiti, il livello tattico per la selezione degli strumenti e il livello di esecuzione per operazioni concrete. Ogni livello

 adotta una politica RL diversa.

 La scoperta automatica di sotto-obiettivi permette agli Agents di identificare obiettivi intermedi riutilizzabili durante l'addestramento e di costruire una

 biblioteca di competenze.

 L'apprendimento automatico del curriculum enfatizza la capacità degli Agents di progredire autonomamente da compiti semplici a compiti complessi

 senza curricula progettati manualmente.

 ### 1.2 Interazione con ambienti multimodali