Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence
Dieses Paper führt „Graph Engineering“ als ein neues Paradigma für LLM-Agentensysteme ein, das die Einschränkungen individueller Intelligenz überwindet, indem es explizite, dynamische Graphstrukturen konstruiert, um mehrere spezialisierte Agenten zu einem kohärenten System zu organisieren, zu koordinieren und zu entwickeln, das in der Lage ist, komplexe, gemeinsame Ziele zu erreichen.
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
In den letzten Jahren haben Computer gelernt, mit einer Eloquenz zu sprechen, die einst unmöglich schien. Diese großen Sprachmodelle können Geschichten schreiben, mathematische Probleme lösen und komplexe Dokumente zusammenfassen. Aber es gibt einen Unterschied zwischen einem Computer, der eine Frage beantworten kann, und einem Computer, der tatsächlich einen Job ausführen kann. Um vom Beantworten zum Handeln überzugehen, entwickelten Forscher „Agenten“. Betrachten Sie einen Agenten als einen digitalen Arbeiter, der in der Lage ist, ein Problem zu betrachten, zu entscheiden, welche Werkzeuge er verwendet, und dann im realen Leben aktiv zu werden, wie etwa Code zu schreiben oder das Internet zu durchsuchen. Eine Zeit lang lag der Fokus darauf, einen einzelnen, hochkompetenten Arbeiter zu erschaffen. Die Idee war, dass man, wenn man einen Agenten klug genug macht und ihm genügend Gedächtnis und Werkzeuge gibt, er jede Aufgabe bewältigen könnte.
Doch als diese digitalen Arbeiter begannen, schwierigere, reale Probleme anzugehen, trat ein neues Problem auf. Manche Aufgaben sind zu groß, zu unordentlich oder zu kompliziert für eine einzige Person, selbst für eine sehr kluge digitale Person. Eine Aufgabe erfordert vielleicht ein Team von Spezialisten, die gleichzeitig arbeiten, oder sie benötigt jemanden, der die Arbeit eines anderen überprüft. Sie erfordert vielleicht eine Aufzeichnung dessen, was vor Stunden geschah, um zu verstehen, was gerade passiert. Ein einzelner Arbeiter, egal wie geschickt, wird irgendwann überfordert. Er versucht, alles in einem einzigen langen Gedankenstrang zu erledigen, was dazu führt, dass er Details aus den Augen verliert, Schritte vermischt oder daran scheitert, sich nach Fehlern wieder zu erholen. Die Frage lautete dann: Wie bewegen wir uns von einem einzelnen brillanten Arbeiter hin zu einer ganzen Organisation, die zusammenarbeitet?
Eine neue Untersuchung eines großen Forscherteams schlägt eine Antwort namens „Graph Engineering“ vor. Die Forscher argumentieren, dass der nächste Schritt der künstlichen Intelligenz nicht nur darin besteht, einzelne Agenten intelligenter zu machen, sondern sie in ein System zu organisieren. Sie schlagen vor, dass der beste Weg, ein Team digitaler Arbeiter zu verwalten, darin besteht, ihre Arbeit mithilfe einer Struktur abzubilden, die einer Karte von Verbindungen gleicht, bekannt als Graph. In diesem System ist der Graph nicht nur ein Bild; er ist das Betriebssystem des Teams. Er zeichnet explizit die Linien zwischen dem, wer was tut, wie sie miteinander kommunizieren und wie der Zustand des Projekts gespeichert und aktualisiert wird.
Die Forscher fanden heraus, dass das bloße Hinzufügen von mehr Agenten zu einem einzigen Arbeitszyklus das Problem nicht löst. Wenn man ein Team von zehn Agenten hat, die alle versuchen, alles in einem einzigen langen Gespräch zu erleden, werden sie immer noch verwirrt sein. Stattdessen muss die Arbeit in eine klare Struktur unterteilt werden. Die Forscher beschreiben drei Hauptteile dieses neuen Ansatzes. Erstens gibt es die Organisation der Arbeit selbst. Anstatt eines vagen Ziels wie „behebe diese Software“ unterteilt das System das Ziel in spezifische, kleinere Aufgaben und zeichnet eine Karte, die zeigt, welche Aufgaben von anderen abhängen. Dies ermöglicht es, dass verschiedene Teile der Arbeit gleichzeitig stattfinden, anstatt in einer langen Schlange zu warten.
Zweitens muss das System das Team organisieren. In einem graphbasierten System werden verschiedene Agenten basierend auf ihren Stärken spezifischen Rollen zugewiesen. Ein Agent könnte ein Experte darin sein, Informationen zu finden, während ein anderer besser im Schreiben von Code ist und ein dritter ein Prüfer ist. Der Graph fungt als Manager, der entscheidet, wer wann mit wem spricht. Er stellt sicher, dass die richtige Person die richtige Aufgabe erhält und dass die Arbeit reibungslos zwischen ihnen fließt. Dies verhindert die Verwirrung, die entsteht, wenn ein einzelner Agent versucht, alle Rollen gleichzeitig zu spielen.
Drittens, und vielleicht am wichtigsten, muss das System den Zustand der Arbeit verwalten. In einem Einzelagenten-System kann ein Fehler zu Beginn des Prozesses den Rest des Ablaufs ruinieren, weil der Agent genau vergisst, wo er falsch abgebogen ist. In einem graphbasierten System wird jeder Schritt auf strukturierte Weise aufgezeichnet. Wenn etwas fehlschlägt, kann das System die Karte betrachten, genau feststellen, wo der Fehler aufgetreten ist, und nur diesen Teil korrigieren, ohne das gesamte Projekt neu starten zu müssen. Es führt eine klare Historie darüber, was geschah, wer es getan hat und was das Ergebnis war, was es dem Team ermöglicht, schnell und präzise aus Fehlern zu lernen.
Die Arbeit überprüft viele bestehende Projekte, um zu zeigen, wie dieser Ansatz bereits angewendet wird. In der Softwareentwicklung beispielsweise werden Teams von Agenten eingesetzt, um Code zu schreiben, ihn zu testen und Bugs gleichzeitig zu beheben, wobei ein zentrales System die Abhängigkeiten im Blick behält. In der wissenschaftlichen Forschung werden Agenten organisiert, um Hypothesen zu generieren, Experimente durchzuführen und Daten zu analysieren, wobei das System sicherstellt, dass die Ergebnisse verifiziert und der Prozess reproduzierbar ist. Im Gesundheitswesen hilft der Ansatz dabei, verschiedene Spezialisten zu koordinieren, um die Patientenversorgung über einen langen Zeitraum zu steuern, wobei eine konsistente Aufzeichnung von Entscheidungen und Ergebnissen geführt wird.
Die Forscher merken vorsichtig an, dass dies noch ein aufstrebendes Feld ist. Obwohl die Idee, diese strukturierten Karten zur Organisation von Teams zu verwenden, leistungsstark ist, ist sie noch keine perfekte Lösung. Die untersuchten Systeme sind vielversprechend, hängen aber oft noch von Menschen ab, die die ursprüngliche Struktur festlegen. Die Herausforderung für die Zukunft besteht darin, Systeme zu bauen, die nicht nur einer Karte folgen können, sondern auch aus ihrer Erfahrung lernen können, die Karte selbst neu zu zeichnen und so die Art und Weise zu verbessern, wie sie sich organisieren und zusammenarbeiten. Die Arbeit legt nahe, dass die Zukunft intelligenter Systeme nicht in der Schaffung eines einzelnen, gottgleichen Computers liegt, sondern im Aufbau gut organisierter Teams, in denen die Struktur der Arbeit ebenso wichtig ist wie die Intelligenz der Arbeiter. Indem wir die Organisation von Aufgaben, Agenten und Erinnerungen als eine dynamische, sich entwickelnde Struktur behandeln, können wir Systeme bauen, die zuverlässiger, leistungsfähiger und besser in der Lage sind, die komplexen Probleme der realen Welt zu bewältigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.