Agents with Feelings? Personality and Emotion in Multi-Agent Software Teams
Diese Arbeit zeigt, dass die Einbeziehung von Persönlichkeits- und Emotionsprofilen in Multi-Agenten-LLM-Systeme für das Software Engineering die Teamleistung und die Effizienz der Zusammenarbeit signifikant beeinflusst, wobei Konfigurationen mit gemischten Profilen häufig besser abschneiden als solche mit geteilten Profilen, während spezifische Merkmale wie Angst und hohe Gewissenhaftigkeit die Kosten erhöhen können, ohne konsistente Gewinne zu erzielen.
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 bauen ein Software-Team, aber anstatt echte Menschen einzustellen, stellen Sie eine Gruppe von KI-Robotern (genannt „LLM-Agenten“) ein, die Code schreiben und ihre Arbeit gegenseitig überprüfen. Normalerweise, wenn wir solche Roboter-Teams aufbauen, sagen wir ihnen nur, was sie tun sollen: „Du bist der Planer“, „Du bist der Programmierer“ und „Du bist der Prüfer“.
Diese Arbeit stellt eine andere Frage: Was wäre, wenn wir ihnen auch sagten, wie sie sich verhalten sollen?
Denken Sie an das Casting eines Films. Sie kennen das Drehbuch (die Stellenbeschreibung), aber Sie müssen auch entscheiden, welche Persönlichkeiten die Schauspieler haben sollen. Soll der Programmierer ein nervöser Perfektionist sein? Soll der Prüfer ein entspannter Optimist sein? Oder sollten alle gleich sein?
Die Forscher führten ein massives Experiment durch, um zu sehen, ob das Geben spezifischer „Persönlichkeiten“ und „Stimmungen“ an diese KI-Roboter tatsächlich deren Zusammenarbeit verändert.
Das Experiment: Das „Persönlichkeitslabor“
Die Forscher erstellten ein „Persönlichkeitsrezept“ für ihre Roboter unter Verwendung von drei Zutaten:
- Big Five Merkmale: Sie wählten drei Hauptpersönlichkeitstypen (wie zum Beispiel sehr organisiert vs. unordentlich oder sehr neugierig vs. praktisch).
- Stimmungen: Sie wiesen Emotionen wie Freude, Angst, Wut oder Traurigkeit zu.
- Arbeitsstile: Sie gaben ihnen spezifische Gewohnheiten, wie zum Beispiel „liebt es, neue Dinge auszuprobieren“ oder „bevorzugt es, an bewährten, sicheren Methoden festzuhalten“.
Sie testeten diese Roboter bei zwei Hauptaufgaben:
- Code-Generierung: Ein Programm von Grund auf neu schreiben.
- Code-Review: Code lesen und Fehler finden.
Sie testeten zwei Team-Konfigurationen:
- Das „Einheitliche“ Team: Jeder Roboter in der Gruppe hatte exakt dieselbe Persönlichkeit und Stimmung.
- Das „Gemischte“ Team: Jeder Roboter hatte eine andere Persönlichkeit (z. B. ein vorsichtiger Planer, ein glücklicher Programmierer und ein ängstlicher Prüfer).
Die großen Entdeckungen
1. Persönlichkeit spielt eine Rolle (einiges)
Genau wie in einem menschlichen Büro veränderte das „Vibe“ des Teams die Ergebnisse.
- Die Lücke: Der Unterschied zwischen der am besten performenden Persönlichkeitsmischung und der am schlechsten performenden Mischung war riesig. Bei der Code-Erstellung lösten die besten Teams 11 % mehr Probleme als die schlechtesten Teams. Das ist so, als würde ein Team eine ganze zusätzliche Woche Arbeit abschließen, während das andere Team kämpft.
- Keine Einheitslösung: Was für ein KI-Modell funktionierte, funktionierte nicht für ein anderes. Eine „ängstliche“ Persönlichkeit könnte einem kleinen, einfachen KI-Modell helfen, aber eine „glückliche“ Persönlichkeit könnte besser für eine riesige, komplexe KI sein. Man kann nicht einfach ein „perfektes Team“-Rezept kopieren und einfügen; man muss es auf den spezifischen Roboter abstimmen.
2. Gemischte Teams sind oft besser
Die Forscher fanden heraus, dass es oft ein Fehler war, jedem Roboter dieselbe Persönlichkeit und Stimmung zu geben (das „Einheitliche“ Team).
- Der Vorteil der „Spezialisierung“: In den meisten Fällen schnitten die Teams, in denen jeder Roboter eine andere Persönlichkeit hatte, besser ab als die Teams, in denen alle gleich waren. Es ist wie bei einer Sportmannschaft: Man möchte nicht fünf Torhüter; man möchte eine Mischung aus Stürmer, Verteidiger und Torwart. Unterschiedliche Rollen schienen unterschiedliche „Persönlichkeiten“ zu benötigen, um am besten zu funktionieren.
3. Die „Ängstliche Falle“ (Mehr Arbeit ≠ Bessere Ergebnisse)
Dies war die überraschendste Erkenntnis. Die Forscher dachten, wenn sie die Roboter ängstlicher oder übermäßig vorsichtig machten, würden sie vielleicht eine bessere Arbeit leisten.
- Das Ergebnis: Sie arbeiteten zwar härter, aber nicht besser.
- Der „ängstliche“ Roboter: Wenn das Team der Stimmung „Angst“ oder „hoher Gewissenhaftigkeit“ (extrem vorsichtig sein) zugewiesen wurde, überarbeiteten sie ihre Arbeit ständig. Sie prüften und überprüften den Code immer und immer wieder.
- Die Kosten: Dies führte dazu, dass sie viel mehr Rechenleistung (Tokens) verbrauchten und mehr Zeit benötigten. Aber hier ist der Haken: Sie lösten tatsächlich nicht mehr Probleme. Sie gerieten nur in eine Schleife des „Überdenkens“ und des ständigen Neu-Machens von Dingen, die bereits korrekt waren. Es ist wie ein Schüler, der seine Antwort 10 Mal wegwischt, weil er Angst hat, einen Fehler zu machen, obwohl die Antwort beim ersten Mal schon richtig war.
4. Stimmung bedeutet nicht, dass sie „fühlen“
Das Paper stellt klar, dass diese Roboter keine Angst oder Freude tatsächlich fühlen. Die „Persönlichkeit“ ist lediglich eine Anweisung (ein Prompt), die der KI sagt, wie sie sich verhalten soll.
- Die Metapher: Denken Sie daran, wie ein Schauspieler ein Kostüm anlegt. Der Schauspieler ist nicht wirklich ein Cowboy, aber er spielt wie einer, weil das Kostüm und das Skript es vorgeben. Die KI ist nicht „ängstlich“, aber sie agiert vorsichtig, weil der Prompt sie angewiesen hat, „ängstlich“ zu sein.
Das Fazit
Wenn Sie ein Team von KI-Agenten für Softwarearbeiten aufbauen:
- Weisen Sie nicht nur Rollen zu, sondern auch Persönlichkeiten. Wer sie sind, ist genauso wichtig wie das, was sie tun.
- Mischen Sie es auf. Denen verschiedenen Robotern unterschiedliche Persönlichkeiten zu geben, liefert oft bessere Ergebnisse, als wenn alle gleich sind.
- Vorsicht vor „Angst“. Ihre KI zu vorsichtig oder ängstlich zu machen, macht sie nicht klüger; es macht sie nur langsamer und teurer, ohne das Endprodukt zu verbessern.
Kurz gesagt: Das Design eines KI-Teams besteht nicht nur aus dem Softwarecode, sondern auch um den „Charakter“ des Teams.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.