EvoMAS: Learning Execution-Time Workflows for Multi-Agent Systems
EvoMAS ist ein neuartiges Framework, das die Einschränkungen statischer, einmaliger Multi-Agenten-Designs adressiert, indem es lernt, Ausführungsroutinen durch einen meta-level sequenziellen Entscheidungsprozess dynamisch zu konstruieren und anzupassen, wodurch die Leistung bei komplexen Aufgaben mit langem Horizont erheblich verbessert wird.
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 vor, Sie versuchen, ein riesiges, mehrstufiges Puzzle zu lösen, ähnlich wie die Planung einer komplexen Reise, die die Buchung von Flügen, die Suche nach Hotels, die Prüfung von Visumanforderungen und die Erstellung eines Tagesplans umfasst.
Der alte Weg (der „One-Shot"-Plan)
Die meisten aktuellen KI-Systeme funktionieren wie eine Person, die vor dem Verlassen des Hauses einen starren Reiseplan aufstellt. Sie entscheiden: „Zuerst werde ich im Internet suchen. Dann werde ich eine E-Mail schreiben. Dann werde ich das Budget berechnen." Sie halten sich von Anfang bis Ende an diesen exakten Plan, selbst wenn sie auf halbem Weg feststellen, dass sie das Ziel ändern müssen oder dass ein Flug gestrichen wurde. Wenn der Plan zu Beginn leicht falsch war, scheitert die gesamte Reise, weil sie sich nicht anpassen können.
Der neue Weg: EvoMAS
Die Arbeit stellt EvoMAS vor, ein System, das eher wie ein flexibler Expeditionsleiter denn wie ein starrer Planer agiert. Anstatt vorab ein festes Skript zu schreiben, trifft EvoMAS Entscheidungen, während die Aufgabe ausgeführt wird.
So funktioniert es, aufgeteilt in einfache Teile:
1. Die „Leitstelle" (Aufgabenstatus-Erstellung)
Stellen Sie sich ein Team von Entdeckern in einer Höhle vor. Jedes Mal, wenn sie einen Schritt machen, gehen sie nicht einfach weiter; sie halten an, um eine Karte zu aktualisieren.
- Der Planer: Schaut, wo sie sich befinden, und entscheidet: „Okay, wir haben den ersten Hinweis gefunden, aber wir müssen tiefer gehen. Ändern wir unseren nächsten Schritt."
- Der Bewerter: Agiert wie ein Qualitätsprüfer. „Haben wir den Hinweis tatsächlich gefunden, oder haben wir nur einen Stein gefunden, der wie einer aussieht?"
- Der Aktualisierer: Nimmt die Karte, die neuen Erkenntnisse und die Notizen des Prüfers und erstellt eine frische, aktualisierte Zusammenfassung der aktuellen Situation.
Diese Zusammenfassung ist der Aufgabenstatus. Er teilt dem System genau mit, was passiert ist, was fehlt und was gerade jetzt behoben werden muss.
2. Die „Werkzeugkiste" (Der Agentenpool)
EvoMAS verfügt über eine feste Werkzeugkiste mit verschiedenen „Agenten" (spezialisierte KI-Helfer). Manche sind gut im Suchen im Internet, manche im Schreiben von Code, manche beim Überprüfen von Fakten und manche beim Geben einer schnellen Antwort.
- Der alte Weg: Das Team wählt zu Beginn drei Werkzeuge aus und nutzt nur diese drei für die gesamte Reise.
- Der EvoMAS-Weg: In jedem Schritt der Reise betrachtet die Leitstelle die aktualisierte Karte (den Aufgabenstatus) und fragt: „Wen brauchen wir gerade jetzt?"
- Am Anfang der Reise? „Wir brauchen den Web-Suche-Agenten, um Informationen zu sammeln."
- In der Mitte der Reise? „Wir brauchen den Selbst-Verfeinerungs-Agenten, um einen Fehler zu beheben, den wir gemacht haben."
- Am Ende der Reise? „Wir brauchen den Ensemble-Agenten, um alle Notizen zu einer einzigen finalen Antwort zusammenzufassen."
3. Der „Lern-Trainer" (Workflow-Anpasser)
Wie weiß das System, welche Werkzeuge es auswählen soll? Es lernt durch Versuch und Irrtum, ähnlich wie ein Videospiel-Charakter, der lernt, ein Level zu bestehen.
- Das System probiert verschiedene Kombinationen von Agenten (Workflows) aus.
- Wenn die Kombination zu einer erfolgreichen Lösung führt, erhält der „Trainer" (der Workflow-Anpasser) eine Belohnung und merkt sich: „Hey, die Auswahl des Such-Agenten gefolgt vom Verfeinerungs-Agenten hat gut funktioniert!"
- Wenn es scheitert, lernt der Trainer, diese spezifische Kombination beim nächsten Mal zu vermeiden.
- Entscheidend ist, dass das System hauptsächlich vom Endergebnis lernt (Haben wir das Puzzle gelöst? Ja/Nein). Es braucht keinen Menschen, der jeden einzelnen Schritt bewertet, was es sehr effizient macht.
Warum ist das besser?
Die Arbeit testete EvoMAS an schwierigen Aufgaben, die viele Schritte erfordern, wie komplexe Recherchen oder das Lösen von mehrteiligen Matheaufgaben.
- Statische Systeme (der alte Weg) bleiben oft stecken, weil sie ihren Plan nicht ändern können, wenn etwas schiefgeht.
- EvoMAS passt sich an. Wenn der erste Versuch scheitert, aktualisiert es seinen „Aufgabenstatus", erkennt, dass der Plan kaputt ist, und reorganisiert sein Team sofort, um einen anderen Ansatz zu versuchen.
Die Ergebnisse
In den Experimenten schlug EvoMAS:
- Einzelne KI-Agenten (nur ein intelligenter Roboter, der versucht, alles allein zu erledigen).
- Andere automatisierte Systeme, die versuchen, vor dem Start einen perfekten Plan zu entwerfen.
Die Arbeit zeigt, dass das System durch ständiges Überprüfen der „Karte" (Aufgabenstatus) und das Neuzusammenstellen des „Teams" (Workflow) basierend auf dem, was genau in diesem Moment benötigt wird, viel schwierigere Probleme lösen kann als zuvor.
Kurz gesagt: EvoMAS folgt nicht nur einem Skript; es schreibt für jede Szene des Films ein neues Skript, basierend darauf, wie die vorherige Szene ausgegangen ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.