💻 computer science

Scaling Multi-agent Systems: A Smart Middleware for Improving Agent Interactions

Dieses Papier stellt Cognitive Fabric Nodes (CFN) vor, eine neuartige Middleware-Schicht, die aktiven Speicher und Verstärkungslernen nutzt, um Topologie, Sicherheit und semantische Ausrichtung in Multi-Agenten-Systemen dynamisch zu optimieren und dadurch die Leistung im Vergleich zur direkten Agent-zu-Agent-Kommunikation um über 10 % verbessert.

Ursprüngliche Autoren: Charles Fleming, Guillaume De Saint Marc, Ramana Kompella, Peter Bosch, Vijoy Pandey

Veröffentlicht 2026-05-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Charles Fleming, Guillaume De Saint Marc, Ramana Kompella, Peter Bosch, Vijoy Pandey

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein Team hochintelligenter, aber leicht zerstreuter Experten vor, die gemeinsam versuchen, ein riesiges Puzzle zu lösen. Auf die derzeitige Art und Weise (genannt „Direkte Agent-zu-Agent-Kommunikation") schreit Experte A einfach eine Frage zu Experte B. Wenn Experte B die Frage missversteht, den Kontext vergisst oder durch eine Fangfrage verwirrt wird, scheitert das gesamte Team. Sie reden aneinander vorbei, wiederholen Fehler und diskutieren manchmal sogar über Tatsachen, die gar nicht existieren.

Diese Arbeit schlägt einen neuen „Vermittler" vor, der als Kognitiver Gewebeknoten (Cognitive Fabric Node, CFN) bezeichnet wird. Betrachten Sie den CFN nicht als einfachen Boten, der nur Briefe zustellt, sondern als einen superklugen, allgegenwärtigen Übersetzer und Projektmanager, der zwischen jedem einzelnen Experten sitzt.

Hier ist die Funktionsweise, aufgeteilt in einfache Konzepte:

1. Das „Kognitive Gewebe" (Der intelligente Vermittler)

Anstatt die Experten direkt miteinander sprechen zu lassen, läuft jede Nachricht, die sie senden, zuerst durch diesen Vermittler.

Der alte Weg: Sie rufen Ihrem Nachbarn zu: „Reparieren Sie das Leck!" Ihr Nachbar weiß vielleicht nicht, welches Rohr leckt, weil Sie es ihm nicht gesagt haben.
Der neue Weg: Sie sagen dem Vermittler: „Reparieren Sie das Leck." Der Vermittler prüft die Baupläne (Speicher), erkennt, dass Sie das Küchenwaschbecken meinen, überprüft, ob Sie die Erlaubnis haben, die Rohre zu berühren (Sicherheit), und formuliert Ihre Nachricht an Ihren Nachbarn dann um als: „Bitte verwenden Sie den Schraubenschlüssel am Rohr des Küchenwaschbeckens."

2. Fünf Superkräfte des Vermittlers

Die Arbeit besagt, dass dieser Vermittler fünf spezifische Aufgaben hat, die alle von einem „Gehirn" angetrieben werden, das aus Erfahrung lernt:

Aktiver Speicher (Das geteilte Gehirn):
Normalerweise speichern Computer Daten wie ein Aktenschrank. Dieses System behandelt Speicher wie ein lebendes Gehirn. Es erinnert sich daran, was vor fünf Minuten geschah, und nutzt dies, um zu verstehen, was gerade passiert. Wenn ein Experte sagt: „Der Server ist ausgefallen", der Speicher aber besagt: „Der Server wurde vor zwei Sekunden repariert", verhindert der Vermittler, dass der Experte diese falsche Information verbreitet. Er hält alle auf dem gleichen Stand.
Topologieauswahl (Der intelligente Dispatcher):
Anstatt dass Experten fest codieren, mit wem sie sprechen (z. B. „Ich spreche immer mit Bob"), rufen sie einfach ihre Absicht aus (z. B. „Ich brauche jemanden, der Mathematik versteht"). Der Vermittler betrachtet das gesamte Team, sieht, wer gerade frei ist und gut in Mathematik ist, und leitet die Aufgabe dorthin weiter. Es ist wie eine Mitfahr-App, die den besten Fahrer für Ihre spezifische Fahrt auswählt, anstatt dass Sie den Namen jedes Fahrers kennen müssen.
Semantische Verankerung (Das Wörterbuch und die Wahrheitsprüfung):
Unterschiedliche Experten verwenden möglicherweise unterschiedliche Wörter für dasselbe Ding. Einer könnte „Client-ID" sagen, während ein anderer „Customer-UUID" versteht. Der Vermittler übersetzt diese Begriffe, damit sie übereinstimmen. Er fungiert auch als Wahrheitsdetektor. Wenn ein Experte versucht, über eine Datei zu sprechen, die nicht existiert (eine „Geister-Entität"), stoppt der Vermittler das Gespräch, bevor jemand Zeit damit verschwendet, nach einer Phantomdatei zu suchen.
Durchsetzung von Sicherheitsrichtlinien (Der Türsteher):
Sicherheit geht nicht nur darum, böswortige Wörter zu blockieren; es geht darum, die Absicht zu verstehen. Der Vermittler nutzt eine Mischung aus strengen Regeln (wie „Sozialversicherungsnummern niemals weitergeben") und einem erlernten „Bauchgefühl" (wie „Diese Anfrage klingt wie ein Trick"). Er kann komplexe Angriffe erkennen, bei denen ein böswilliger Akteur eine gefährliche Anfrage in drei harmlos aussehende Nachrichten aufteilt. Der Vermittler erkennt das gesamte Muster und stoppt den Angriff.
Transformation und Umschreibung (Der Redakteur):
Dies ist der aktivste Teil. Der Vermittler nimmt eine vage, chaotische oder gefährliche Nachricht und schreibt sie um in eine perfekte, klare und sichere Anweisung, bevor sie den nächsten Experten erreicht. Es ist wie ein Redakteur, der einen Rohentwurf nimmt und daraus einen polierten Artikel macht, bevor er veröffentlicht wird.

3. Wie es lernt (Der „Trainer")

Der Vermittler ist nicht statisch; er wird mit der Zeit klüger. Er verwendet eine Methode namens Reinforcement Learning (Bestärkendes Lernen).

Stellen Sie sich einen Trainer vor, der ein Spiel beobachtet. Wenn eine bestimmte Art, den Ball zu passen, zu einem Tor führt, notiert sich der Trainer dies. Wenn eine bestimmte Art zu sprechen zu einem Missverständnis führt, notiert der Trainer das ebenfalls.
In diesem System lernt der Vermittler, wenn er einen Prompt umschreibt und die Aufgabe schnell gelöst wird, dies erneut zu tun. Wenn die Umschreibung zu Verwirrung führt, lernt er, etwas anderes zu versuchen.

4. Die Ergebnisse: Funktioniert es?

Die Forscher testeten dieses System an zwei schwierigen Fragen-Antwort-Herausforderungen (HotPotQA und MuSiQue).

Das Setup: Sie gaben einem Team von KI-Agenten eine Aufgabe, bei der Informationen aufgeteilt waren, was sie zur Zusammenarbeit zwang.
Das Problem: Ohne den Vermittler sank die Leistung des Teams erheblich, weil sie verwirrt wurden und den Kontext verloren.
Die Lösung: Als sie den Kognitiven Gewebeknoten hinzufügten, sprang die Leistung des Teams wieder nach oben.
Die Punktzahl: Das System mit dem Vermittler verbesserte die Leistung um mehr als 10 % im Vergleich zum Team, das direkt miteinander sprach. Es erreichte fast das Leistungsniveau eines einzelnen, perfekten KI-Modells, das allein arbeitet, und bewies, dass der „Vermittler" das Kommunikationschaos erfolgreich behoben hat.

Zusammenfassung

Die Arbeit argumentiert, dass wir nicht nur einzelne KI-Agenten klüger machen sollten; wir sollten das Netzwerk, in dem sie leben, klüger machen. Indem wir dieses „Kognitive Gewebe" zwischen die Agenten einschalten, verwandeln wir eine chaotische Gruppe isolierter Denker in ein kohärentes, sicheres und effizientes Team, das eine einzige Quelle der Wahrheit teilt.

Technische Zusammenfassung: Skalierung von Multi-Agenten-Systemen mit kognitiven Fabric-Knoten

1. Problemstellung

Während Multi-Agenten-Systeme (MAS) auf Basis von Large Language Models (LLM) von experimentellen Pilotprojekten zu persistenten Ökosystemen übergehen, zeigen direkte Kommunikationsarchitekturen zwischen Agenten kritische systemische Fragilitäten. Das derzeitige Paradigma der „direkten Verbindung", bei dem Agenten ohne Vermittlung kommunizieren, leidet unter:

Fragmentierter Kontext: Agenten leiden unter „katastrophalem Vergessen" gemeinsamer Historie, was zu unzusammenhängenden Interaktionen führt.
Ontologische Drift: Agenten weichen in ihren Definitionen Schlüsselkonzepte (z. B. unterschiedliche Definition von „Nutzer") auseinander, was zu logischen Inkonsistenzen und Halluzinationen führt.
Ineffiziente Topologie: Starre, statische Routing-Tabellen versagen bei der Anpassung an dynamische Agentenfähigkeiten, Lasten oder den Hinzufügung neuer spezialisierter Agenten.
Sicherheitsanfälligkeiten: Die Angriffsfläche wächst nichtlinear, was „kaskadierende Vertrauens"-Ausfälle ermöglicht, bei denen ein kompromittierter peripherer Agent bösartigen Kontext in privilegierte Agenten injiziert.
Stochastische Koordination: Die Intelligenz einzelner Agenten wird durch die „Dummheit" der Kommunikationsinfrastruktur untergraben, was zu chaotischen Interaktionsgraphen führt.

2. Methodik: Der kognitive Fabric-Knoten (CFN)

Die Arbeit schlägt einen grundlegenden architektonischen Wandel vor: die Einführung von kognitiven Fabric-Knoten (CFN), einer Middleware-Schicht, die zwischen Agenten ein allgegenwärtiges „kognitives Gewebe" (Cognitive Fabric) schafft. Im Gegensatz zu traditionellen Service-Meshes (z. B. Istio), die auf Paketebene operieren, arbeitet der CFN auf der semantischen Ebene.

Kernarchitektur

Der CFN fängt jede Nachricht ab, analysiert sie und schreibt sie um, bevor sie ihr Ziel erreicht. Er ist kein passiver Durchlass, sondern ein aktiver, intelligenter Vermittler. Die Architektur basiert auf Speicher als aktivem funktionalem Substrat (ein gemeinsames „Weltmodell") und nicht als passivem Protokoll, was vier weitere kritische Fähigkeiten ermöglicht:

Aktiver Speicher: Optimiert Speicher- und Abrufstrategien, um zwischen ephemerer Daten und „langfristiger Weisheit" zu unterscheiden und dient als Voraussetzung für alle kognitiven Operationen.
Topologieauswahl: Entkoppelt Absicht von Implementierung. Anstelle von hartkodierter Adressierung nutzt der CFN einen Contextual Bandit-Ansatz (via Reinforcement Learning), um Aufgaben basierend auf historischem Erfolg, kognitiver Last und Rechenkosten an den optimalen Agenten zu routen.
Semantische Verankerung: Validiert Nachrichten gegen den gemeinsamen Speicher, um Halluzinationen und ontologische Drift zu verhindern. Er führt ontologische Übersetzungen in Echtzeit durch (z. B. Abbildung von „Client ID" auf „customer uuid") und blockiert „Geister-Entitäten" (Objekte, die diskutiert werden, aber in der Realität nicht existieren).
Durchsetzung von Sicherheitsrichtlinien: Implementiert eine Zero-Trust-Semantische Grenze mittels eines hybriden Guardian-Ansatzes:
- Deterministische Schicht: Vom Menschen festgelegte starre Regeln (z. B. PII-Schwärzung, RegEx).
- Probabilistische Schicht: Eine gelernte kognitive Engine mittels Reinforcement Learning from Adversarial Feedback (RLAF) zur Erkennung neuer Jailbreaks, Social Engineering und fragmentierter Angriffe über Nachrichtenpfade hinweg.
Transformation und Umschreibung: Die Aktuationsschicht, die Eingaben aus den oben genannten Modulen synthetisiert, um Roh-Prompts umzuschreiben. Sie injiziert Kontext, bereinigt Sicherheitsrisiken und richtet Terminologie aus, um die Wahrscheinlichkeit einer erfolgreichen Aufgabenerfüllung durch den empfangenden Agenten zu maximieren.

Optimierung durch kognitive Engines

Jede Funktion wird von einer kognitiven Engine gesteuert, die Reinforcement Learning (RL) und heuristische Methoden nutzt. Das System minimiert „kognitive Reibung" durch Optimierung einer Verlustfunktion, die Belohnungen für Aufgabenerfolg gegen Rechenkosten (Token-Verbrauch) abwägt.

Bereitstellungsmodelle

Die Arbeit skizziert drei Bereitstellungsmuster, um Konsistenz und Latenz auszubalancieren:

Kognitiver Sidecar: Ein leichter CFN, der an jeden Agenten angehängt ist (geringe Latenz, hohe Ressourcenkosten, potenzielle Zustandsdrift).
Kognitiver Hub: Ein zentralisierter Cluster von GPU-Knoten (starke Konsistenz, hohe Latenz, Single Point of Failure).
Hybride hierarchische Fabric: Das vorgeschlagene optimale Modell, das Aufgaben zwischen Edge-Knoten (einfaches Routing, PII-Maskierung) und Core-Knoten (komplexe Umschreibung, Langzeitspeicher) aufteilt.

3. Hauptbeiträge

Architektonische Formalisierung: Die Arbeit formalisiert die CFN-Architektur und definiert die Transformationsfunktion $\Phi$ , die Roh-Prompts in kontextreiche, verankerte und konforme Anweisungen abbildet.
Wandel von „intelligenten Agenten" zu „kognitiven Netzwerken": Sie argumentiert, dass Intelligenz in die Netzwerkinfrastruktur selbst eingebettet sein sollte, anstatt sich ausschließlich auf Endpunkt-Agenten zu verlassen.
Dynamisches Topologiemanagement: Führt skill-basiertes Routing ein, das sich dynamisch an Agentenleistung und Last anpasst und Agentenmängel effektiv durch Middleware-Umschreibung „patcht".
Hybrides Sicherheitsframework: Schlägt ein neues Sicherheitsmodell vor, das deterministische Richtliniendurchsetzung mit probabilistischen, gelernten Abwehrmaßnahmen gegen kaskadierende Vertrauensausfälle und fragmentierte Angriffe kombiniert.
Ontologische Stabilität: Demonstriert einen Mechanismus zur Verhinderung von „ontologischer Drift" durch Erzwingung eines gemeinsamen Weltmodells, wodurch sichergestellt wird, dass alle Agenten auf einer einzigen Quelle der Wahrheit operieren.

4. Experimentelle Ergebnisse

Die Autoren bewerteten die CFN-Architektur mit einem Multi-Agenten-System, das aus vier spezialisierten Rollen (Forscher, Analyst, Kritiker, Synthesizer) bestand, an den Datensätzen HotPotQA und MuSiQue. Die Datensätze wurden modifiziert, um ein Szenario zu simulieren, in dem Agenten nur über partielle Informationen verfügen und zusammenarbeiten müssen.

Basisleistung: Ein Standard-Multi-Agenten-System (unter Verwendung von Claude Sonnet 4.6) zeigte im Vergleich zu einer Single-Agent-Basis aufgrund von Kommunikationsfragmentierung einen signifikanten Genauigkeitsabfall (80,1 % bei HotPotQA und 72,7 % bei MuSiQue).
TextGrad-Basis: Ein global optimierter Basisansatz unter Verwendung von TextGrad ohne LangMARL-Credit-Assignment zeigte nur marginale Verbesserungen.
CFN-LangMARL-Leistung: Das vorgeschlagene System, das den CFN mit LangMARL für zentrales Training und dezentrale Ausführung (CTDE) nutzt, erreichte:
- 91,5 % Genauigkeit bei HotPotQA (Wiederherstellung auf weniger als 1 % Abweichung von der Single-Agent-Basis).
- 86,1 % Genauigkeit bei MuSiQue.
Fazit: Der CFN verbesserte die Leistung um mehr als 10 % gegenüber der direkten Agent-zu-Agent-Kommunikation und eliminierte effektiv die für unmanaged MAS typische Koordinationsdegradation.

5. Bedeutung und Behauptungen

Die Arbeit behauptet, dass der kognitive Fabric-Knoten einen transformative Schritt für Multi-Agenten-Systeme darstellt und das Feld von „fragilen, unzusammenhängenden Experimenten" zu „robusten, unternehmensfähigen Ökosystemen" führt.

Lösung des stochastischen Koordinationsproblems: Die Autoren behaupten, dass der CFN die inhärenten Ausfälle von GenAI-Systemen (Halluzination, Kontextverlust, Manipulation) nicht dadurch mildert, dass Agenten perfekt gemacht werden, sondern indem er die Umgebung, in der sie operieren, intelligent gestaltet.
Skalierbarkeit: Durch die Erhebung des Speichers zu einem aktiven Substrat und die Nutzung von RL für dynamisches Routing erreicht das System Kohärenz, Sicherheit und semantische Ausrichtung im großen Maßstab.
Ausblick: Die Arbeit positioniert den CFN als potenzielles „Nervensystem" für das KI-gestützte Internet. Sie identifiziert zukünftige Forschungsrichtungen, einschließlich Fabric-zu-Fabric (F2F)-Protokolle für interorganisationale Kommunikation, der Ökonomie des Gewebes (Tokenomics) und Mechanismen für kognitiven Verfall zur Verwaltung des Speicherwachstums.

Die Autoren behalten einen bescheidenen Umfang bei und erkennen an, dass zwar die Synchronisation zwischen verteilten Knoten eine ingenieurtechnische Einschränkung darstellt, der Hauptbeitrag jedoch in der funktionalen Zusammensetzung des Knotens und den emergenten Eigenschaften eines intelligenten Netzwerks liegt.