Los sistemas de múltiples agentes se están convirtiendo en un desarrollo crítico en la inteligencia artificial debido a su capacidad para coordinar múltiples modelos de lenguaje grande (LLM) para resolver problemas complejos. En lugar de confiar en la perspectiva de un solo modelo, estos sistemas distribuyen roles entre los agentes, cada uno contribuyendo con una función única. Esta división del trabajo mejora la capacidad del sistema para analizar, responder y actuar de manera más sólida. Ya sea que se aplique a la depuración de códigos, el análisis de datos, la generación de recuperación de recuperación o la toma de decisiones interactivas, los agentes basados en LLM están logrando resultados que los modelos individuales no pueden coincidir constantemente. El poder de estos sistemas se encuentra en su diseño, particularmente la configuración de las conexiones entre agentes, conocidas como topologías, y las instrucciones específicas dadas a cada agente, denominadas indicaciones. A medida que este modelo de cálculo madura, el desafío ha cambiado de probar la viabilidad a la optimización de la arquitectura y el comportamiento para obtener resultados superiores.
Un problema importante radica en la dificultad de diseñar estos sistemas de manera eficiente. Cuando se indican, esas entradas estructuradas que guían el papel de cada agente están ligeramente alterados, el rendimiento puede balancearse dramáticamente. Esta sensibilidad hace que la escalabilidad sea arriesgada, especialmente cuando los agentes están unidos en flujos de trabajo donde la salida de uno sirve como entrada de otro. Los errores pueden propagarse o incluso amplificarse. Además, las decisiones topológicas, como determinar el número de agentes involucrados, su estilo de interacción y la secuencia de tareas, aún dependen en gran medida de la configuración manual y la prueba y el error. El espacio de diseño es vasto y no lineal, ya que combina numerosas opciones para la construcción de ingeniería rápida y topología. La optimización de ambos simultáneamente ha estado en gran medida fuera del alcance de los métodos de diseño tradicionales.
Se han realizado varios esfuerzos para mejorar varios aspectos de este problema de diseño, pero las brechas permanecen. Métodos como DSPY automatizan la generación ejemplar para las indicaciones, mientras que otros se centran en aumentar el número de agentes que participan en tareas como la votación. Herramientas como ADAS introducen configuraciones topológicas basadas en código a través de meta-agentes. Algunos marcos, como Aflow, aplican técnicas como la búsqueda de árboles de Monte Carlo para explorar las combinaciones de manera más eficiente. Sin embargo, estas soluciones generalmente se concentran en la optimización rápida o de la topología, en lugar de ambas. Esta falta de integración limita su capacidad para generar diseños MAS que son inteligentes y robustos en condiciones operativas complejas.
Investigadores de Google y la Universidad de Cambridge introdujeron un nuevo marco llamado Búsqueda de sistemas de múltiples agentes (masa). Este método automatiza el diseño de MAS al intercalar la optimización de las indicaciones y las topologías en un enfoque escenificado. A diferencia de los intentos anteriores que trataron los dos componentes de forma independiente, la masa comienza identificando qué elementos, tanto las indicaciones como las estructuras topológicas, tienen más probabilidades de influir en el rendimiento. Al reducir la búsqueda de este subespacio influyente, el marco funciona de manera más eficiente mientras ofrece resultados de mayor calidad. El método progresa en tres fases: optimización de inmediato localizada, selección de topologías efectivas de flujo de trabajo basado en las indicaciones optimizadas y luego la optimización global de las indicaciones a nivel de todo el sistema. El marco no solo reduce la sobrecarga computacional, sino que también elimina la carga de la sintonización manual de los investigadores.
La implementación técnica de la masa es estructurada y metódica. Primero, cada componente de construcción de un MAS se somete a un refinamiento rápido. Estos bloques son módulos de agentes con responsabilidades específicas, como agregación, reflexión o debate. Por ejemplo, los optimizadores rápidos generan variaciones que incluyen tanto la orientación de instrucción (por ejemplo, “Piense en paso”) como el aprendizaje basado en ejemplo (por ejemplo, demostraciones de un disparo o pocos disparos). El optimizador evalúa estos utilizando una métrica de validación para guiar mejoras. Una vez que el mensaje de cada agente se optimiza localmente, el sistema procede a explorar combinaciones válidas de agentes para formar topologías. Esta optimización de topología está informada por resultados anteriores y limitado a un espacio de búsqueda podado identificado como el más influyente. Finalmente, la mejor topología sufre un ajuste rápido de nivel global, donde las instrucciones están ajustadas en el contexto de todo el flujo de trabajo para maximizar la eficiencia colectiva.
En tareas como el razonamiento, la comprensión de múltiples saltos y la generación de códigos, el MAS optimizado superó constantemente los puntos de referencia existentes. En las pruebas de rendimiento utilizando Gemini 1.5 Pro en el conjunto de datos de matemáticas, los agentes optimizados con aviso mostraron una precisión promedio de alrededor del 84% con técnicas de solicitación mejoradas, en comparación con el 76-80% para los agentes escalados a través de la autoconsistencia o el debate múltiple de agente. En el punto de referencia de Hotpotqa, el uso de la topología de debate dentro de la masa produjo una mejora del 3%. Por el contrario, otras topologías, como reflejar o resumir, no lograron obtener ganancias o incluso condujeron a una degradación del 15%. En LivecodeBench, la topología del albacea proporcionó un impulso de +6%, pero métodos como la reflexión nuevamente vieron resultados negativos. Estos hallazgos validan que solo una fracción del espacio de diseño topológico contribuye positivamente y refuerza la necesidad de una optimización específica, como la utilizada en la masa.
Varias conclusiones clave de la investigación incluyen:
- La complejidad del diseño MAS está significativamente influenciada por la sensibilidad rápida y la disposición topológica.
- La optimización rápida, tanto a nivel de bloque como del sistema, es más efectiva que la escala de agente sola, como lo demuestra la precisión del 84% con indicaciones mejoradas versus 76% con escala de autoconsistencia.
- No todas las topologías son beneficiosas; El debate agregó +3% en HotPotqa, mientras que la reflexión causó una caída de hasta -15%.
- El marco de masa integra la optimización rápida y de la topología en tres fases, reduciendo drásticamente la carga computacional y de diseño.
- Las topologías como el debate y el albacea son efectivas, mientras que otras, como reflejar y resumir, pueden degradar el rendimiento del sistema.
- La masa evita la complejidad de búsqueda completa al podar el espacio de diseño basado en el análisis de influencia temprana, mejorar el rendimiento al tiempo que ahorra recursos.
- El enfoque es modular y admite configuraciones de agentes plug-and-play, lo que lo hace adaptable a varios dominios y tareas.
- Los modelos finales de MAS de la masa superan a las líneas de base de última generación en múltiples puntos de referencia como matemáticas, hotpotqa y livecodeBench.
En conclusión, esta investigación identifica la rápida sensibilidad y la complejidad de la topología como cuellos de botella principales en el desarrollo del sistema múltiple (MAS) y propone una solución estructurada que optimiza estratégicamente ambas áreas. El marco de masa demuestra un enfoque escalable y eficiente para el diseño MAS, minimizando la necesidad de la entrada humana al tiempo que maximiza el rendimiento. La investigación presenta evidencia convincente de que un mejor diseño rápido es más efectivo que simplemente agregar agentes y que la búsqueda dirigida dentro de los subconjuntos de topología influyentes conduce a ganancias significativas en las tareas del mundo real.
Mira el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro 95k+ ml de subreddit y suscribirse a Nuestro boletín.
Asif Razzaq es el CEO de MarktechPost Media Inc .. Como empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el público.