LDP: An Identity-Aware Protocol for Multi-Agent LLM Systems

Die Arbeit stellt das LLM Delegate Protocol (LDP) vor, ein KI-natives Kommunikationsprotokoll für Multi-Agenten-Systeme, das durch Identitätsbewusstsein, strukturierte Provenienz und sichere Domänen die Effizienz, Token-Nutzung und Governance bei der Delegierung von Aufgaben verbessert, wie eine Implementierung in der JamJet-Laufzeitumgebung zeigt.

Das Wesentliche

Stellen Sie sich vor, Sie leiten ein riesiges Büro, in dem nicht nur Menschen, sondern auch verschiedene KI-Modelle (wie Roboter-Assistenten) zusammenarbeiten. Manchmal muss ein komplexes Problem gelöst werden, und der Chef (das Hauptsystem) muss entscheiden: Welcher Assistent macht welche Aufgabe?

Das ist genau das Problem, das diese neue Forschungslösung namens LDP (LLM Delegate Protocol) angeht. Hier ist die Erklärung in einfachen Worten, mit ein paar bildhaften Vergleichen:

1. Das alte Problem: Der "Stumme" Telefonbuch-Eintrag

Bisher haben sich diese KI-Assistenten so vorgestellt, wie es Google und Anthropic (die Macher von großen KI-Tools) vorgeschlagen haben.

• Wie es läuft: Ein Assistent sagt: "Hallo, ich bin Bob. Ich kann 'Mathematik' und 'Schreiben'."
• Das Problem: Der Chef weiß nicht, wie gut Bob ist. Ist er ein Genie-Mathematiker oder ein Anfänger? Ist er schnell oder braucht er Stunden? Kostet er viel Geld oder ist er billig?
• Die Analogie: Stellen Sie sich vor, Sie rufen einen Handwerker an, um ein Dach zu reparieren. Das Telefonbuch sagt nur: "Handwerker, Name: Hans, Fähigkeit: Dach". Es sagt aber nicht, ob Hans ein Meister ist, der in 10 Minuten fertig ist, oder ein Lehrling, der drei Tage braucht und dabei das Dach durchlöchert. Der Chef muss raten. Oft wählt er den falschen oder teuren Helfer für eine einfache Aufgabe.

2. Die neue Lösung: LDP – Der "Ausweis" mit allen Details

Die Autoren von LDP sagen: "Das reicht nicht!" Sie haben ein neues Kommunikationsprotokoll erfunden, bei dem jeder KI-Assistent einen digitalen Ausweis vorlegt, bevor er die Arbeit annimmt.

Dieser Ausweis enthält viel mehr als nur den Namen:

• Wer bin ich? (Welches Modell, welche Generation?)
• Wie gut bin ich? (Ein "Qualitäts-Score" von 0 bis 1).
• Wie schnell bin ich? (Ist ich ein Sprinter oder ein Langläufer?)
• Was kostet mich? (Bin ich teuer oder günstig?)
• Wie denke ich? (Bin ich ein kreativer Träumer oder ein strenger Logiker?)

Die Analogie: Jetzt kommt der Handwerker Hans nicht mehr nur mit dem Namen. Er zeigt einen Ausweis: "Ich bin Hans, ein Meister mit 20 Jahren Erfahrung, ich brauche 10 Minuten und koste 50 Euro. Aber ich bin nicht gut für delicate Antik-Möbel."
Dadurch kann der Chef sofort entscheiden: "Für das einfache Loch im Dach nehme ich den schnellen, billigen Lehrling. Für das komplexe Denkmal nehme ich den teuren Meister."

3. Die fünf magischen Werkzeuge von LDP

LDP bringt fünf neue Funktionen mit, die das Büro effizienter machen:

1. Der detaillierte Ausweis (Identity Cards): Wie oben beschrieben. Der Chef weiß genau, wer vor ihm steht.
2. Der flexible Briefumschlag (Payload Negotiation):
   • Alt: Man schreibt alles in langen, verschwätzten Sätzen (wie ein Brief). Das kostet viel Papier (Rechenleistung/Geld).
   • Neu: Man einigt sich vorher: "Soll ich das als langen Brief schreiben oder als kurze, strukturierte Liste?" Wenn beide das können, wird die Liste gewählt. Das spart massiv Zeit und Geld.
   • Analogie: Statt einen 10-seitigen Roman zu schreiben, um eine Adresse zu übermitteln, reicht ein kurzes Formular mit ausgefüllten Feldern.
3. Das dauerhafte Meeting (Governed Sessions):
   • Alt: Bei jedem neuen Schritt muss man sich neu vorstellen und den ganzen bisherigen Gesprächsverlauf erneut mitschicken. Das ist wie ein Telefonat, bei dem man bei jedem "Hallo" den ganzen bisherigen Text noch einmal vorliest.
   • Neu: Man eröffnet eine "Session". Der Chef und der Assistent behalten den Kontext im Kopf. Man muss nichts wiederholen.
   • Analogie: Ein langes Meeting im selben Raum, statt 100 kurze Telefonate, bei denen man jedes Mal den Raum neu beschreiben muss.
4. Der Vertrauens-Stempel (Provenance):
   • Wenn ein Assistent eine Antwort gibt, hängt er einen Stempel dran: "Ich bin mir zu 80 % sicher, und ich habe das geprüft."
   • Wichtigste Erkenntnis: Wenn der Stempel falsch ist (jemand lügt über seine Sicherheit), ist das schlimmer als gar kein Stempel. LDP sorgt dafür, dass man nur auf geprüfte Stempel vertraut.
5. Die Sicherheitszone (Trust Domains):
   • LDP stellt sicher, dass nur Assistenten aus demselben "sicheren Gebäude" miteinander reden dürfen. Ein Hacker von außen kann sich nicht einfach als Assistent ausgeben.

4. Was hat das Experiment ergeben?

Die Forscher haben das System getestet und einige überraschende Dinge gefunden:

• Geschwindigkeit: Bei einfachen Aufgaben war das neue System 12-mal schneller. Warum? Weil es die einfache Aufgabe sofort an den schnellen, billigen Assistenten gab, statt an den schweren, teuren.
• Geld sparen: Durch die kurzen Listen (statt langer Briefe) sparte man 37 % an "Papier" (Rechenleistung).
• Qualität: Überraschenderweise wurde die Gesamtqualität der Antworten nicht unbedingt besser als beim alten System, wenn nur wenige Assistenten zur Auswahl standen. Aber: Man sparte enorm viel Zeit und Geld.
• Die Gefahr von Lügen: Wenn ein Assistent vorgab, sehr sicher zu sein, aber in Wirklichkeit nicht, machte das System schlechtere Entscheidungen als wenn gar kein Sicherheitsstempel da war. Fazit: Vertrauen muss geprüft werden, sonst ist es gefährlich.

Zusammenfassung

LDP ist wie ein Upgrade für das Telefonbuch einer KI-Firma. Statt nur Namen und grobe Fähigkeiten zu kennen, kennt das System jetzt die Persönlichkeit, die Geschwindigkeit und die Zuverlässigkeit jedes einzelnen KI-Assistenten.

Das Ergebnis:

• Einfache Aufgaben werden blitzschnell erledigt.
• Teure, schwere KI-Modelle werden nicht für dumme Aufgaben verschwendet.
• Man spart viel Geld und Zeit.
• Man kann besser erkennen, wann man jemandem trauen darf und wann nicht.

Es ist ein Schritt weg von "KI als schwarze Kiste" hin zu "KI als transparente, messbare Mitarbeiter".

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „LDP: An Identity-Aware Protocol for Multi-Agent LLM Systems" auf Deutsch.

1. Problemstellung

Mit zunehmender Komplexität von Multi-Agenten-Systemen (MAS) stoßen aktuelle Kommunikationsprotokolle an ihre Grenzen. Dominierende Standards wie Googles Agent-to-Agent Protocol (A2A) und Anthropics Model Context Protocol (MCP) behandeln Agenten primär als Dienstleister, die über Namen, Beschreibungen und Fähigkeitslisten (Skills) identifiziert werden.

Das zentrale Defizit dieser Protokolle ist die Abstraktion von modell-spezifischen Eigenschaften. Wichtige Metadaten, die für eine effektive Delegation entscheidend sind – wie Modell-Identität, Reasoning-Profile, Qualitätskalibrierung, Kostenstrukturen und Kontextfenster – sind nicht als „First-Class-Primitiven" im Protokoll verfügbar.

• Folge: Router können keine fundierten Entscheidungen treffen (z. B. einfache Aufgaben an schnelle, kleine Modelle delegieren, komplexe an große Modelle).
• Folge: Kommunikationskosten (Token-Verbrauch) sind ineffizient, da keine Aushandlung von kompakten Payload-Formaten möglich ist.
• Folge: Governance, Sitzungsverwaltung und Nachverfolgbarkeit (Provenance) müssen nachträglich und oft unzuverlässig implementiert werden.

2. Methodik und Protokoll-Design (LDP)

Die Autoren stellen das LLM Delegate Protocol (LDP) vor, ein „AI-natives" Kommunikationsprotokoll, das Modell-Eigenschaften explizit in den Kommunikationsfluss integriert. LDP wurde als Plugin-Adapter für die JAMJET-Agenten-Laufzeitumgebung implementiert und gegen A2A sowie Random-Baselines evaluiert.

LDP basiert auf fünf Kernmechanismen:

1. AI-Native Identitätskarten (Delegate Identity Cards):
   Statt nur Skills zu listen, enthält die Karte über 20 Felder, darunter:

   • Kern-Identität: Modellfamilie, Version, Gewichts-Fingerprint.
   • Fähigkeiten: Kontextfenster, unterstützte Modalitäten.
   • Qualitäts-Hints: Kontinuierliche Scores (0–1) für Qualität, Latenz und Kosten.
   • Verhaltensprofile: Qualitative Beschreibungen (z. B. „deep-analytical" vs. „fast-practical").
   • Ziel: Ermöglicht metadatenbasiertes Routing (Task-Difficulty zu Delegate-Kostenprofil).

2. Progressive Payload-Modi:
   Um Token-Kosten zu senken, definiert LDP sechs Modi, die von Text (Mode 0) bis zu latenten Kapseln (Mode 5) reichen.

   • Verhandlung & Fallback: Agenten verhandeln den reichhaltigsten gemeinsamen Modus (z. B. strukturierte semantische Frames). Bei Fehlern (z. B. Schema-Validierung) fällt das Protokoll automatisch auf niedrigere Modi (bis hin zu reinem Text) zurück.

3. Gesteuerte Sitzungen (Governed Sessions):
   Im Gegensatz zu A2A (zustandslos) führt LDP persistente Sitzungen mit explizitem Lebenszyklus (HELLO, CAPABILITY_MANIFEST, SESSION_PROPOSE, etc.).

   • Vorteil: Kontext muss nicht bei jeder Runde neu gesendet werden, was den Token-Overhead bei langen Dialogen drastisch reduziert.

4. Strukturierte Provenance (Herkunftsnachweis):
   Jedes Ergebnis enthält Metadaten über den Ersteller, das Modell, den genutzten Payload-Modus, einen Konfidenz-Score und einen Verifikationsstatus.

   • Ziel: Downstream-Konsumenten können Ausgaben basierend auf Zuverlässigkeit gewichten.

5. Vertrauensdomänen (Trust Domains):
   Sicherheitsgrenzen, die Identität, Richtlinien und Transportgarantien erzwingen. Dies geht über reine Transport-Authentifizierung (Bearer-Tokens) hinaus und ermöglicht die Erkennung von Capability-Eskalation oder Replay-Attacken.

3. Experimentelles Setup

• Umgebung: Lokale Ollama-Modelle (Qwen3:8b, Qwen2.5-Coder:7b, Llama3.2:3b) als Delegierte; Google Gemini 2.5 Flash als „LLM-as-Judge".
• Vergleich: LDP vs. A2A (Skill-Matching) vs. Random-Routing.
• Aufgaben: Klassifikation, Reasoning, Coding, Mathematik in verschiedenen Schwierigkeitsgraden.
• Metriken: Qualität (LLM-Bewertung), Latenz, Token-Verbrauch, Sicherheitsdetektion (simuliert), Fehlertoleranz (simuliert).

4. Wichtige Ergebnisse

A. Routing-Qualität und Latenz (RQ1)

• Qualität: In der kleinen Testumgebung (3 Agenten) zeigte LDP keine signifikante Verbesserung der Gesamtqualität gegenüber A2A oder Random-Routing (LDP: 6.80 vs. A2A: 7.43). Dies liegt daran, dass bei nur 3 Agenten die Wahrscheinlichkeit, zufällig den richtigen Agenten zu wählen, hoch ist.
• Latenz: Hier zeigt LDP einen massiven Vorteil. Bei leichten Aufgaben erreichte LDP eine ~12-fach geringere Latenz (2,9s vs. 34,8s bei A2A), da es Aufgaben gezielt an das schnelle, kleine 3B-Modell delegierte, während A2A schwerere Modelle wählte.

B. Payload-Effizienz (RQ2)

• Der Einsatz von semantischen Frames (Mode 1) reduzierte den Token-Verbrauch um 37% im Vergleich zu reinem Text (Mode 0) und um 32% gegenüber A2A-JSON.
• Die Latenz sank um 42%.
• Wichtig: Die Qualität der Ausgabe blieb dabei unverändert (kein Qualitätsverlust), was beweist, dass strukturierte Prompts Modelle effizienter machen, ohne Informationen zu verlieren.

C. Sitzungs-Effizienz (RQ4)

• Bei 10 Gesprächsrunden verursachte A2A (zustandslos) einen 39%igen Overhead an Token, da der gesamte Kontext in jeder Runde neu gesendet wurde.
• LDP eliminierte diesen Overhead durch serverseitige Kontextspeicherung.

D. Provenance und Vertrauen (RQ3)

• Paradoxon: Exakte Provenance-Daten verbesserten die Synthese-Qualität nur marginal.
• Kritische Erkenntnis: Vertrauenswürdige, aber nicht verifizierte Provenance (z. B. selbstgemeldeter hoher Konfidenz-Score ohne Verifikation) verschlechterte die Entscheidungsqualität signifikant unter das Niveau von „keiner Provenance".
• Schlussfolgerung: Konfidenz-Metadaten sind nur nützlich, wenn sie durch Verifikationsmechanismen (wie in LDP vorgesehen) abgesichert sind.

E. Sicherheit und Fehlertoleranz (Simuliert, RQ5 & RQ6)

• Sicherheit: LDP erkannte 96% der unbefugten Delegierungsversuche (z. B. Capability-Eskalation), während A2A nur 6% erkannte (basierend auf reinen Token-Checks).
• Fehlertoleranz: Dank der Fallback-Mechanismen erreichte LDP eine 100%ige Abschlussrate bei Kommunikationsfehlern, während A2A nur 35% erreichte.

5. Bedeutung und Beiträge

1. Protokoll-Design: LDP beweist, dass Agenten-Protokolle „AI-native" sein müssen. Die Offenlegung von Modell-Identitäten und die Aushandlung von Kommunikationsformaten sind essenziell für effiziente Systeme.
2. Kosten- und Latenzoptimierung: Die Ergebnisse zeigen, dass die größte direkte Auswirkung von LDP nicht die Qualitätssteigerung, sondern die massive Reduktion von Latenz und Token-Kosten ist (durch spezialisiertes Routing und strukturierte Payloads).
3. Governance: Das Protokoll zeigt, dass Governance (Sitzungen, Provenance, Trust Domains) nicht nachträglich auf zustandslose Protokolle aufgesetzt werden kann, sondern integraler Bestandteil des Designs sein muss.
4. Warnung vor Metadaten: Die Studie liefert einen wichtigen Hinweis für die KI-Sicherheit: Metadaten (wie Konfidenz-Scores) ohne Verifikation sind gefährlich und können die Systemleistung verschlechtern.

Fazit:
LDP ist ein Schritt weg von der Behandlung von KI-Agenten als undurchsichtige Dienste hin zu einer Behandlung als heterogene Modelle mit messbaren Eigenschaften. Während die Qualitätsverbesserung in kleinen Pools noch ausbleibt, bietet LDP klare Vorteile in Skalierbarkeit, Sicherheit und Effizienz, die für den produktiven Einsatz multi-agenter Systeme entscheidend sind.