💻 computer science

AgentCo-op: Retrieval-Based Synthesis of Interoperable Multi-Agent Workflows

AgentCo-op es un marco basado en recuperación que sintetiza flujos de trabajo multiagente interoperables mediante la composición de herramientas y agentes reutilizables a través de transferencias de artefactos tipificados y autorreparación local, permitiendo un descubrimiento colaborativo eficaz en dominios científicos abiertos mientras supera a las líneas base en diversos benchmarks con costos reducidos.

Autores originales: Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Publicado 2026-05-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando construir una máquina compleja, como una cafetera de alta tecnología que también clasifica tu correo y escribe tu diario diario. En el pasado, para lograr esto con inteligencia artificial, los investigadores intentaban "buscar" el diseño perfecto. Generaban miles de planos diferentes, los probaban y esperaban que uno funcionara. Pero esto es como intentar encontrar una aguja específica en un pajar construyendo una nueva fábrica de agujas cada vez que buscas. Es lento, costoso y a menudo falla cuando la tarea es algo nuevo y desordenado, como la ciencia del mundo real, donde no hay una "clave de respuestas correcta" para calificar el trabajo.

AGENTCO-OP es una nueva forma de construir estos equipos de IA. En lugar de buscar un diseño nuevo desde cero, actúa como un contratista principal que entra en un almacén lleno de herramientas y trabajadores especializados preconstruidos, elige los adecuados y los ensambla en una máquina funcional.

Así es como funciona, usando analogías simples:

1. El "Almacén" frente a la "Búsqueda"

La mayoría de los sistemas de IA actuales intentan buscar el flujo de trabajo óptimo. Imagina intentar hornear un pastel mezclando ingredientes al azar y probándolos hasta que salga bien.
AGENTCO-OP utiliza recuperación. Imagina que eres un chef que necesita hornear un pastel. En lugar de inventar nuevas recetas, vas a un almacén bien organizado (una biblioteca de habilidades y herramientas). Agarras una "habilidad de mezcla" preelaborada, una "herramienta de horneado" y un "agente de glaseado". No reinventas la rueda; simplemente ensamblas las piezas que necesitas.

2. La "Entrega Tipada" (El Paquete Seguro)

Cuando le pasas una nota a un amigo, podrías escribirla en una servilleta. Si la siguiente persona necesita un formulario específico, la servilleta podría perderse o malinterpretarse.
En AGENTCO-OP, cada vez que un agente de IA pasa un resultado a otro, coloca los datos en una caja estrictamente etiquetada y segura (llamada "artefacto tipado").

Ejemplo: Si el Agente A encuentra una lista de genes, no simplemente grita la lista al Agente B. Pone la lista en una caja etiquetada como "Lista de Genes: 53 elementos, verificados". El Agente B abre la caja, verifica la etiqueta y sabe exactamente qué hacer. Esto evita que los agentes hablen uno al lado del otro o se confundan con datos desordenados.

3. La "Reparación Local" (La Solución Rápida)

A veces, incluso con el mejor plan, una máquina se rompe.

Antigua Forma: Si una pieza falla, toda la fábrica se detiene y los ingenieros vuelven a la mesa de dibujo para diseñar una máquina completamente nueva desde cero.
Forma AGENTCO-OP: Si una pieza específica falla, un "Revisor" (un supervisor inteligente) examina el error y realiza una reparación local. Es como un mecánico que ve un tornillo suelto en el motor y aprieta solo ese tornillo, en lugar de reconstruir todo el coche. El sistema repara solo la pieza rota y sigue funcionando.

4. El "Docker" (El Adaptador Universal)

Los científicos a menudo tienen sus propias herramientas construidas en diferentes entornos (como una herramienta que funciona en un Mac y otra en un servidor Linux). Por lo general, no pueden comunicarse entre sí.
AGENTCO-OP envuelve estas diferentes herramientas en contenedores Docker. Piensa en esto como poner cada herramienta en un contenedor de envío universal. No importa qué sea la herramienta ni dónde se construyó, una vez que está en el contenedor, puede conectarse al flujo de trabajo sin problemas. Esto permite que un "Agente Genético" y un "Agente de Tejido" (que fueron construidos por diferentes personas en momentos diferentes) trabajen juntos perfectamente.

¿Qué hicieron realmente?

El artículo probó este sistema de dos maneras principales:

A. Pruebas de Ciencia del "Mundo Real" (Mundo Abierto)
No utilizaron preguntas de prueba estándar. Utilizaron problemas científicos reales y desordenados:

El Estudio del Corazón: Conectaron dos agentes de IA separados (uno que examina tejido cardíaco y otro que analiza genes) para averiguar por qué ciertas células cardíacas se comportan de manera diferente. El sistema construyó un flujo de trabajo para pasar datos entre ellos y lograron identificar un patrón biológico específico.
El Estudio Celular: Combinaron dos métodos de análisis diferentes (observar el ARN y observar la accesibilidad del ADN) para encontrar mejores marcadores para los tipos de células. El sistema ejecutó ambos análisis en paralelo, comparó los resultados y produjo un informe que fue más preciso que usar cualquiera de los métodos por separado.
La Prueba de "Reutilización": Tomaron un flujo de trabajo que otra IA ya había diseñado y lo "arreglaron" utilizando el método de AGENTCO-OP, haciéndolo aún mejor.

B. Las Pruebas Estándar (Benchmarks)
También probaron el sistema en pruebas estándar de matemáticas, programación y respuesta a preguntas (como las utilizadas para calificar modelos de IA).

El Resultado: AGENTCO-OP obtuvo la puntuación más alta en cuatro de las seis pruebas.
El Costo: También fue mucho más barato de ejecutar. Mientras que otros métodos gastaban mucho dinero "buscando" la respuesta correcta, AGENTCO-OP simplemente ensambló las herramientas adecuadas y corrigió pequeños errores a medida que ocurrían, ahorrando una cantidad significativa de tiempo de computadora y dinero.

La Conclusión

El artículo afirma que AGENTCO-OP es una forma más inteligente de construir equipos de IA para tareas complejas. En lugar de intentar "buscar" una solución perfecta desde cero, recupera herramientas existentes, las ensambla con reglas estrictas y corrige pequeños errores sobre la marcha. Esto lo hace mejor para manejar la ciencia del mundo real donde no hay claves de respuestas, y ahorra dinero en comparación con los métodos anteriores.

Resumen Técnico: AGENTCO-OP

Declaración del Problema

Diseñar flujos de trabajo interoperables de múltiples agentes es particularmente desafiante en dominios científicos abiertos. A diferencia de los puntos de referencia estándar (por ejemplo, preguntas y respuestas, programación, matemáticas) que ofrecen conjuntos de entrenamiento curados, métricas de evaluación escalares confiables e interfaces estandarizadas, las tareas científicas a menudo carecen de estos recursos. En campos como la genómica, las tareas son de alcance abierto, las respuestas de verdad fundamental son frecuentemente ambiguas o inexistentes, y la evaluación depende de evidencia intermedia heterogénea (por ejemplo, significancia estadística, plausibilidad biológica) en lugar de una única recompensa escalar. Además, los agentes y herramientas científicas existentes a menudo se desarrollan de forma independiente con entornos, interfaces y estados de procedencia incompatibles. Los métodos actuales de diseño automatizado de flujos de trabajo (por ejemplo, ADAS, AFlow, AgentSquare) dependen de la búsqueda sobre topologías candidatas y la optimización frente a retroalimentación escalar, una estrategia que se vuelve impráctica cuando no hay puntos de referencia representativos ni señales de recompensa confiables disponibles.

Metodología: AGENTCO-OP

Los autores proponen AGENTCO-OP, un marco de síntesis basado en recuperación que replantea el diseño automatizado de flujos de trabajo de múltiples agentes como un problema de composición en lugar de un problema de búsqueda global. El sistema opera a través de cinco etapas principales:

Planificación y Recuperación: Dada una especificación de tarea $x = (g, c, r, \Omega)$ (objetivo, contexto, restricciones y recursos), el sistema formula un plan de recuperación. Recopila artefactos relevantes de bibliotecas curadas o repositorios proporcionados por el usuario, incluyendo documentación de referencia, habilidades procedimentales de agentes, herramientas invocables y metadatos de repositorios externos de GitHub.
Síntesis: AGENTCO-OP sintetiza un flujo de trabajo ejecutable inicial como un grafo dirigido $G = (V, E)$ $G = (V, E)$ .
- Representación del Grafo: Los nodos representan agentes con roles asignados, que pueden ser agentes externos encapsulados en contenedores Docker o métodos de extremo a extremo. Las aristas representan el flujo de información y los artefactos intermedios.
- Aterrizaje de Nodos: Cada nodo se aterriza con habilidades y herramientas específicas recuperadas de la biblioteca, mapeadas mediante una función $\phi$ .
- Alineación de Interfaces: El sistema hace cumplir transferencias de artefactos tipados. La comunicación entre agentes se rige por un protocolo $\Pi$ donde los artefactos (por ejemplo, tablas de marcadores validadas, JSON estructurado) se transmiten a través de esquemas estandarizados, asegurando la compatibilidad entre componentes heterogéneos.
- Contenedorización: Los repositorios y métodos externos se encapsulan en contenedores Docker (siguiendo Repo2Run) para resolver dependencias de entorno y permitir que funcionen como nodos del grafo.
Ejecución: El flujo de trabajo sintetizado se ejecuta. Durante esta fase, el sistema monitorea evidencia heterogénea, incluyendo trazas de ejecución, verificaciones de validación, errores de herramientas y señales de costo.
Reparación Local Guiada por Evidencia: Si la evidencia de ejecución indica fallo o incertidumbre, un "Revisor" activa una reparación local acotada. En lugar de reiniciar la síntesis o búsqueda global, el sistema consulta un conjunto de políticas de reparación para revisar solo los nodos implicados, las habilidades adjuntas, las herramientas o las aristas de comunicación. Este proceso está limitado por un presupuesto de reparación o un número máximo de rondas.
Composición con Flujos de Trabajo Basados en Búsqueda: AGENTCO-OP también puede ingerir un grafo de agente existente producido por un método basado en búsqueda (por ejemplo, AFlow) como un prior estructural. Luego, refina este grafo aterrizando nodos con habilidades recuperadas y aplicando reparación local, demostrando que la síntesis y la búsqueda son complementarias.

Contribuciones Clave

Formulación de Síntesis Basada en Recuperación: El artículo formula el diseño automatizado de flujos de trabajo como un problema de síntesis basado en recuperación para entornos donde las recompensas escalares son débiles o inexistentes. Lo materializa en AGENTCO-OP, que compone dinámicamente recursos, habilidades, herramientas y agentes externos en flujos de trabajo ejecutables mediante transferencias de artefactos tipados y reparación local acotada.
Coordinación de Agentes Científicos Independientes: El marco demuestra la capacidad de coordinar agentes científicos y repositorios de herramientas desarrollados independientemente en tareas de genómica de mundo abierto. Dadas únicamente las especificaciones de la tarea y los enlaces de GitHub, sintetiza automáticamente flujos de trabajo interoperables sin rediseñar los repositorios subyacentes.
Complementariedad de Síntesis y Búsqueda: Los autores muestran que la síntesis y la búsqueda son complementarias importando un flujo de trabajo buscado por AFlow y mejorándolo mediante aterrizaje por recuperación y reparación local.
Rendimiento y Eficiencia: En seis puntos de referencia estándar (preguntas y respuestas, matemáticas, código), AGENTCO-OP logra el mejor rendimiento en cuatro puntos de referencia y la puntuación promedio más alta bajo una configuración de columna vertebral unificada, mientras reduce consistentemente los costos de tokens por tarea en comparación con las líneas base de múltiples agentes.

Resultados Experimentales

El artículo evalúa AGENTCO-OP en dos regímenes:

1. Estudios de Caso Científicos de Mundo Abierto:

Colaboración de Transcriptómica Espacial: AGENTCO-OP coordina a TissueAgent (transcriptómica espacial) y GeneAgent (interpretación de conjuntos de genes) para analizar un conjunto de datos MERFISH de un corazón humano en desarrollo. El sistema sintetiza con éxito un flujo de trabajo en serie donde TissueAgent identifica 53 genes marcadores sobreexpresados, que son validados y pasados como un artefacto tipado a GeneAgent para su interpretación. Los agentes concluyen que los fibroblastos del anillo AV/AV representan un estado de desarrollo especializado.
Descubrimiento de Marcadores de Cross-Modality: El sistema compone flujos de trabajo de Seurat (RNA-seq) y Signac (ATAC-seq) en paralelo sobre datos multioma de PBMC. Integra los resultados de ambas modalidades, evaluando la calidad de los marcadores frente a CellMarker 2.0 y PanglaoDB. El enfoque combinado produce una mayor precisión y recuperación macro que cualquiera de las modalidades por separado.
Reutilización de Flujos de Trabajo: Al importar un grafo buscado por AFlow para el punto de referencia MBPP y refinarlo, el sistema logra una puntuación de pass@1 de 87.5, superando tanto a AFlow solo (78.2) como a AGENTCO-OP construido desde cero (87.1).

2. Puntos de Referencia Estándar:

Evaluado en HotpotQA, DROP, HumanEval, MBPP, GSM8K y MATH utilizando GPT-4o-mini.
AGENTCO-OP logra las puntuaciones más altas en cuatro de los seis puntos de referencia y la puntuación promedio más alta.
Análisis de Costos: AGENTCO-OP reduce significativamente los costos de tokens en tiempo de prueba en comparación con los métodos basados en discusión (por ejemplo, LLM-Debate, ReConcile) y los métodos basados en búsqueda (por ejemplo, AFlow), que incurren en altos costos durante la búsqueda/entrenamiento o la comunicación inter-agente repetida.

Significado y Afirmaciones

El artículo afirma que la síntesis basada en recuperación extiende el diseño automatizado de flujos de trabajo de agentes más allá de los grafos de agentes optimizados para puntos de referencia hacia flujos de trabajo de mundo abierto construidos a partir de agentes, herramientas y artefactos tipados existentes.

Escalabilidad a Tareas de Alcance Abierto: Al evitar la dependencia de la búsqueda de topología global y las recompensas escalares, AGENTCO-OP aborda el cuello de botella en dominios científicos donde las tareas carecen de puntos de referencia curados.
Interoperabilidad: El marco resuelve el desafío de interoperabilidad tratando las habilidades como unidades tipadas y probables, y haciendo cumplir la alineación de interfaces mediante el encapsulamiento en Docker y artefactos tipados, permitiendo que sistemas desarrollados independientemente colaboren.
Eficiencia: El enfoque de síntesis primero, combinado con la reparación local acotada, evita el costoso ensayo y error de la búsqueda global y la comunicación redundante de los sistemas basados en debate, lo que conduce a menores costos y una adaptación más rápida a instancias específicas de problemas.
Utilidad Científica: El trabajo sugiere que el progreso en agentes científicos depende no solo de construir agentes individuales más fuertes, sino de desarrollar métodos para organizar, componer y adaptar agentes heterogéneos en sistemas colaborativos confiables. AGENTCO-OP proporciona un camino práctico hacia un ecosistema reutilizable donde la experiencia existente puede componerse y verificarse para abordar desafíos complejos de descubrimiento transversal.

Los autores reconocen limitaciones, incluido el enfoque actual en estudios de caso de un solo dominio, la dependencia de la calidad de los recursos disponibles y el hecho de que la reparación local no garantiza la optimalidad global. Sin embargo, postulan que este paradigma ofrece una alternativa robusta al diseño basado en búsqueda para aplicaciones científicas del mundo real.