116 Arbeiten
Dieser Beitrag stellt Context Engineering als eigenständige Disziplin vor, die über Prompt Engineering hinausgeht und gemeinsam mit Intent und Specification Engineering ein Reifegradmodell für skalierbare, autonome Multi-Agenten-Systeme in Unternehmen bildet, indem er den Kontext als Betriebssystem des Agenten definiert.
Die Studie stellt FetalAgents vor, ein neuartiges Multi-Agenten-System, das durch die dynamische Koordination spezialisierter Vision-Experten die Analyse von fetalen Ultraschallbildern und -videos sowie die automatische Generierung strukturierter klinischer Berichte verbessert und dabei sowohl die Genauigkeit als auch die Workflow-Integration übertrifft.
Die Arbeit stellt ein Capability Coherence System (CCS) vor, das durch die Übertragung von Speicher-Konsistenzmodellen auf die Autorisierungsverwaltung die Anzahl nicht autorisierter API-Aufrufe bei schnellen Agenten-Revokationen im Vergleich zu herkömmlichen zeitbasierten Strategien drastisch reduziert.
Die Arbeit stellt einen Ansatz vor, bei dem durch parametrisierte Prompts als Aktionen ein leichtgewichtiges, trainingsfreies Policy-Modell entwickelt wird, um das Dialogverhalten von LLM-basierten Multi-Agenten-Systemen gezielt zu steuern und so die soziale Simulation zu verbessern.
Diese Studie erweitert die Bienen-Gleichung um emotionale Valenz und Erregung als Modulatoren in einem agentenbasierten Modell, um zu zeigen, wie emotionale Dynamiken und nichtlineare Verstärkungseffekte die Geschwindigkeit und den Ausgang kollektiver Entscheidungen in Schwärmen beeinflussen.
Diese Übersichtsarbeit untersucht die Anwendung nutzungstheoretischer kognitiver Modelle in der Robotik, indem sie die Entwicklung von Verhaltensbasierter Robotik und kognitiven Architekturen hin zu wertebasierten Systemen für Entscheidungsfindung, Lernen und Interaktion in ein- und multi-agentischen Umgebungen analysiert und zukünftige Forschungsrichtungen sowie offene Probleme aufzeigt.
Die Studie zeigt, dass algorithmische Agenten ohne direkte Kenntnis der Konkurrenz durch reine Synchronität ihrer Aktionen in wiederholten Gefangenendilemma-Spielen zu einer „naiven Kollusion" neigen können, wobei das Auftreten dieses Phänomens stark von der Wahl des Lernalgorithmus (z. B. deterministisch vs. zufällig) abhängt und erhebliche Implikationen für die Wettbewerbspolitik hat.
Die Arbeit identifiziert die „Agreement Bias" als zentrales Hindernis für Multimodale LLMs als Verifizierer und schlägt mit SGV eine zweistufige, selbstverankerte Methode vor, die die Fehlererkennung und Aufgabenabschlussraten in Bereichen wie Webnavigation und Robotik signifikant verbessert.
Die Studie zeigt, dass bei der Verhaltensinferenz von KI-Agenten zwar Motivationen mit nahezu 100 %iger Genauigkeit erkannt werden können, während die Identifizierung von Glaubenssystemen selbst bei fortschrittlichen Architekturen und umfangreichen Trainingsdaten an einer fundamentalen Informationsgrenze von unter 50 % scheitert.
Die Arbeit stellt SelfOrg vor, ein Rahmenwerk, das Multi-Agenten-Systeme auf Basis von Large Language Models durch eine reaktionsbasierte, stochastische Selbstorganisation und die dynamische Konstruktion eines gerichteten azyklischen Graphen optimiert, um die Kommunikation ohne externe Aufsicht oder Training effizient zu steuern.
Die FOR-Prompting-Methode ist ein asynchrones Prompting-Protokoll, das durch die Rollenverteilung zwischen Verteidiger, Fragesteller und Moderator eine selbstkorrigierende, objektionsbasierte Verfeinerung von Antworten ermöglicht und dabei ohne Training oder starke Agenten sowohl bei mathematischen als auch bei offenen Aufgaben die Leistung von Sprachmodellen verbessert.
Die Arbeit stellt CRAwDAD vor, ein Dual-Agenten-Debatte-Framework, das durch den Austausch zwischen einem kausalen Inferenz-Agenten und einem kritischen Prüfer die Genauigkeit von Sprachmodellen bei der Beantwortung von Kausalitätsfragen, insbesondere auf der Ebene der kontrafaktischen Analyse, signifikant verbessert.
Die Arbeit stellt MAS-Orchestra vor, ein Trainingsframework, das Multi-Agenten-Systeme durch holistische Orchestrierung als Reinforcement-Learning-Problem formuliert, und führt mit MASBENCH eine kontrollierte Benchmark ein, um die Bedingungen für den Vorteil von Multi-Agenten-Systemen gegenüber Einzelagenten zu analysieren und deren Effizienz sowie Leistung signifikant zu steigern.
Die Arbeit stellt LatentMem vor, ein lernbares Multi-Agenten-Gedächtnisframework, das durch eine rollenspezifische Anpassung und die Optimierung kompakter latenter Repräsentationen mittels LMPO die Leistung bestehender Systeme signifikant steigert, ohne deren zugrundeliegende Architekturen zu verändern.
Diese Arbeit stellt einen umfassenden Multi-KPI-Benchmark für Multi-Agenten-Reinforcement-Learning-Algorithmen im CityLearn-Umfeld vor und zeigt, dass dezentralisiertes Training mit dezentraler Ausführung (DTDE) zentrale Ansätze in Bezug auf Leistung und Robustheit übertrifft.
Diese Arbeit entwirft eine systematische Benchmark-Suite, die Multi-Agenten-DRL-Herausforderungen in C-V2X-Ressourcenallokation isoliert und zeigt, dass Robustheit und Generalisierung gegenüber veränderlichen Verkehrstopologien die dominierenden Hürden darstellen, wobei actor-critic-Methoden die besten Ergebnisse erzielen.
Die Studie zeigt, dass bei der Diagnose seltener Krankheiten eine hierarchische Multi-Agenten-Architektur die höchste Genauigkeit erzielt, während komplexe Topologien wie das adversäre Modell die Leistung verschlechtern und somit eine dynamische Auswahl der Systemarchitektur nahelegen.
Diese Arbeit untersucht kooperative Graphspiele mit verteiltem Zufall, bei denen Spieler keine gemeinsame Zufallsquelle teilen, und zeigt, dass für das Schwellenwertproblem memoryless Strategien ausreichen, während das fast-sichere Erreichbarkeitsproblem NP-vollständig ist, was zur Entwicklung der Logik IRATL und eines entsprechenden Löser-Algorithmus führt.
Die Studie stellt NarrativeLoom vor, ein von der Theorie der blinden Variation und selektiven Retention inspiriertes KI-System, das durch den Einsatz spezialisierter Personas und menschlicher Kuratierung die Kreativität, Vielfalt und Qualität von gemeinsam erdachten Geschichten signifikant steigert, wobei Anfänger besonders von der strukturierten Unterstützung profitieren.
Die Studie stellt einen neuen hierarchischen Ansatz vor, der Imitations- und Verstärkungslernen kombiniert, um Agenten mit heterogenen Zielen zu befähigen, situationsabhängig zu entscheiden, ob sie kooperieren oder allein handeln, und zeigt dabei eine Überlegenheit gegenüber bestehenden Methoden.