La demostració interactiva de teoremes és un pilar fonamental en la verificació de programari i les matemàtiques formalitzades, però la seva naturalesa manual limita l'escalabilitat. Els agents basats en grans models de llenguatge (LLM) han sorgit com una promesa per alleujar aquest esforç, no obstant això, el seu alt consum de tokens i costos d'API segueixen sent una barrera significativa. Investigacions recents assenyalen que la causa arrel resideix en la dependència de la sintaxi concreta serialitzada: els agents actuals operen sobre text font, emeten proves com a cadenes de caràcters i recuperen estats mitjançant consultes basades en números de línia. Cada edició desplaça línies posteriors, forçant repetides reubicacions d'errors i estats. Aquest mateix problema impedeix l'adopció de Minilang, un llenguatge de prova d'última generació que no està present en els corpus d'entrenament dels LLM.
Per superar aquestes limitacions, sorgeix el concepte d'Agent sobre AST (AoA), que eleva la interacció de l'agent des del text font cap a l'arbre sintàctic abstracte (AST). En lloc de treballar amb sintaxi concreta, el model genera proves com a representacions JSON de l'AST de Minilang —un format nadiu per a LLMs amb capacitats de crida a eines— i maneja el demostrador mitjançant un model d'edició d'arbres que fusiona les operacions de prova i els estats en un únic arbre de prova. Cada operació porta amb si l'estat del seu propi subobjectiu, llegible directament des de l'arbre. Això elimina la necessitat de tornar a consultar línies de text i redueix dràsticament la manipulació de tokens.
Els resultats d'AoA són contundents. Comparat amb l'Isabelle Agent d'Amazon en els conjunts d'èxit comuns de miniF2F i NTP4VC-Pearl, AoA redueix el cost d'API entre 2,3 i 4,7 vegades (considerant la comptabilitat normalitzada de memòria cau d'entrada), utilitza entre 2,9 i 6,9 vegades menys tokens, realitza entre 3,9 i 8,9 vegades menys crides a eines, i finalitza entre 1,4 i 2,0 vegades més ràpid. A més, resol molts més problemes en el benchmark de verificació més difícil. Aquest avenç no només demostra l'eficiència de treballar amb AST, sinó que obre la porta a una nova generació d'agents d'IA més lleugers i econòmics.
La lliçó és clara: la representació del coneixement importa tant com el model subjacent. En desacoblar la lògica de l'agent de la sintaxi concreta, s'aconsegueix una eficiència que beneficia qualsevol domini on els LLM interactuïn amb entorns estructurats. Això inclou des de la generació de codi fins a l'automatització de processos empresarials, passant per la gestió d'infraestructures cloud i la ciberseguretat.
A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, entenem que l'optimització d'agents d'IA és un factor crític per a la competitivitat. El nostre equip treballa en la creació de solucions d'IA personalitzades que aprofiten arquitectures eficients, reduint costos operatius i millorant la velocitat de resposta. Així com AoA transforma el demostrador de teoremes, nosaltres apliquem principis similars per desenvolupar aplicacions a mida que integren agents intel·ligents, ja sigui per a anàlisi predictiu, processament de llenguatge natural o automatització de tasques complexes.
La ciberseguretat és un altre àmbit on l'eficiència dels agents d'IA marca la diferència. Un agent de detecció d'intrusions que processi esdeveniments en temps real necessita minimitzar el consum de tokens per ser rendible en entorns cloud com AWS o Azure. Els nostres serveis de cloud AWS/Azure inclouen la implementació d'infraestructures escalables que suporten agents d'IA lleugers, assegurant tant la seguretat com el rendiment. A més, en l'àrea de Business Intelligence, els agents basats en AST poden interpretar consultes en llenguatge natural sobre quadres de comandament de Power BI, generant respostes precises sense necessitat de processar grans volums de dades textuals.
L'aplicació d'aquesta filosofia va més enllà de la demostració de teoremes. Qualsevol sistema que requereixi interacció entre un LLM i un entorn estructurat —com editors de codi, assistents de disseny, o plataformes d'automatització— pot beneficiar-se d'un enfocament basat en AST. A Q2BSTUDIO desenvolupem aplicacions a mida que incorporen aquests patrons, ajudant empreses a reduir costos d'API, millorar la latència i escalar les seves solucions d'IA sense comprometre la qualitat.
L'eficiència en el consum de tokens no només és una qüestió econòmica, sinó també ecològica. Menys tokens signifiquen menys energia i una menor petjada de carboni. En adoptar arquitectures com la d'AoA, les organitzacions poden alinear els seus objectius d'innovació amb la sostenibilitat. El nostre equip de consultoria tecnològica assessora en la selecció de models i representacions òptimes per a cada cas d'ús, ja sigui en entorns cloud, on-premise o híbrids.
En resum, l'Agent sobre AST representa un canvi de paradigma en la forma en què els LLM interactuen amb sistemes complexos. La indústria del programari avança cap a agents més especialitzats i eficients, i empreses com Q2BSTUDIO estan a l'avantguarda, integrant aquestes innovacions en solucions de programari a mida, IA, ciberseguretat, cloud i BI. La pregunta ja no és si es pot optimitzar un agent, sinó com fer-ho de manera intel·ligent, i la resposta està, com en AoA, en l'abstracció sobre la sintaxi.
