💻 computer science

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

AgentCo-op est un cadre basé sur la récupération qui synthétise des flux de travail multi-agents interopérables en composant des outils et des agents réutilisables par le biais de transferts d'artefacts typés et d'autoréparation locale, permettant une découverte collaborative efficace dans des domaines scientifiques ouverts tout en surpassant les références sur divers benchmarks avec des coûts réduits.

Auteurs originaux : Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Publié 2026-05-21

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de construire une machine complexe, comme une machine à café haut de gamme qui trie également votre courrier et rédige votre journal quotidien. Autrefois, pour réaliser cela avec l'IA, les chercheurs tentaient de « rechercher » la conception parfaite. Ils généraient des milliers de plans différents, les testaient et espéraient qu'un d'entre eux fonctionne. Mais c'est comme essayer de trouver une aiguille spécifique dans une botte de foin en construisant une nouvelle usine d'aiguilles à chaque fois que vous cherchez. C'est lent, coûteux, et cela échoue souvent lorsque la tâche est nouvelle et désordonnée, comme la science réelle, où il n'existe pas de « corrigé » pour évaluer le travail.

AGENTCO-OP est une nouvelle façon de construire ces équipes d'IA. Au lieu de rechercher une nouvelle conception à partir de zéro, elle agit comme un maître d'œuvre qui entre dans un entrepôt rempli d'outils et d'ouvriers préfabriqués et spécialisés, sélectionne les bons, et les assemble pour former une machine fonctionnelle.

Voici comment cela fonctionne, en utilisant des analogies simples :

1. L'« Entrepôt » contre la « Recherche »

La plupart des systèmes d'IA actuels tentent de rechercher le meilleur flux de travail. Imaginez essayer de faire un gâteau en mélangeant des ingrédients au hasard et en les goûtant jusqu'à ce que vous obteniez le bon résultat.
AGENTCO-OP utilise la récupération. Imaginez que vous êtes un chef qui doit faire un gâteau. Au lieu d'inventer de nouvelles recettes, vous allez dans un entrepôt bien organisé (une bibliothèque de compétences et d'outils). Vous prenez une « compétence de mélange » préfabriquée, un « outil de cuisson » et un « agent de glaçage ». Vous ne réinventez pas la roue ; vous assemblez simplement les pièces dont vous avez besoin.

2. Le « Transfert Typé » (Le Paquet Sécurisé)

Lorsque vous passez un mot à un ami, vous l'écrivez peut-être sur une serviette en papier. Si la personne suivante a besoin d'un formulaire spécifique, la serviette peut se perdre ou être mal comprise.
Dans AGENTCO-OP, chaque fois qu'un agent d'IA transmet un résultat à un autre, il place les données dans une boîte strictement étiquetée et sécurisée (appelée « artefact typé »).

Exemple : Si l'Agent A trouve une liste de gènes, il ne crie pas simplement la liste à l'Agent B. Il place la liste dans une boîte étiquetée « Liste de gènes : 53 éléments, vérifiés ». L'Agent B ouvre la boîte, vérifie l'étiquette et sait exactement quoi faire. Cela empêche les agents de se parler dans le vide ou de se confondre à cause de données désordonnées.

3. La « Réparation Locale » (Le Dépannage Rapide)

Parfois, même avec le meilleur des plans, une machine tombe en panne.

Ancienne méthode : Si une pièce tombe en panne, toute l'usine s'arrête, et les ingénieurs retournent au tableau pour concevoir une toute nouvelle machine à partir de zéro.
Méthode AGENTCO-OP : Si une pièce spécifique tombe en panne, un « Examinateur » (un superviseur intelligent) examine l'erreur et effectue une réparation locale. C'est comme un mécanicien qui voit un boulon desserré sur le moteur et ne resserre que ce boulon, plutôt que de reconstruire toute la voiture. Le système répare uniquement la pièce cassée et continue.

4. Le « Docker » (L'Adaptateur Universel)

Les scientifiques ont souvent leurs propres outils construits dans des environnements différents (comme un outil fonctionnant sur un Mac, un autre sur un serveur Linux). Habituellement, ils ne peuvent pas communiquer entre eux.
AGENTCO-OP enveloppe ces différents outils dans des conteneurs Docker. Imaginez cela comme mettre chaque outil dans un conteneur d'expédition universel. Peu importe ce qu'est l'outil ou où il a été construit, une fois qu'il est dans le conteneur, il peut être branché au flux de travail de manière transparente. Cela permet à un « Agent Gène » et à un « Agent Tissu » (construits par des personnes différentes à des moments différents) de travailler parfaitement ensemble.

Qu'ont-ils réellement fait ?

L'article a testé ce système de deux manières principales :

A. Les Tests Scientifiques « Monde Réel » (Monde Ouvert)
Ils n'ont pas utilisé de questions de test standard. Ils ont utilisé de vrais problèmes scientifiques désordonnés :

L'Étude du Cœur : Ils ont connecté deux agents d'IA séparés (l'un examinant le tissu cardiaque, l'autre analysant les gènes) pour déterminer pourquoi certaines cellules cardiaques se comportent différemment. Le système a construit un flux de travail pour transférer des données entre eux, et ils ont réussi à identifier un motif biologique spécifique.
L'Étude des Cellules : Ils ont combiné deux méthodes d'analyse différentes (examen de l'ARN et examen de l'accessibilité de l'ADN) pour trouver de meilleurs marqueurs pour les types de cellules. Le système a exécuté les deux analyses en parallèle, comparé les résultats et produit un rapport plus précis que l'utilisation d'une seule méthode.
Le Test de « Réutilisation » : Ils ont pris un flux de travail qu'une autre IA avait déjà conçu et l'ont « réparé » en utilisant la méthode d'AGENTCO-OP, le rendant encore meilleur.

B. Les Tests Standards (Benchmarks)
Ils ont également testé le système sur des tests standards de mathématiques, de codage et de réponse à des questions (comme ceux utilisés pour noter les modèles d'IA).

Le Résultat : AGENTCO-OP a obtenu le meilleur score sur quatre des six tests.
Le Coût : Il était également beaucoup moins cher à exécuter. Alors que d'autres méthodes dépensaient beaucoup d'argent pour « rechercher » la bonne réponse, AGENTCO-OP assemblait simplement les bons outils et corrigeait les petites erreurs au fur et à mesure, économisant ainsi une quantité significative de temps informatique et d'argent.

La Conclusion

L'article affirme que AGENTCO-OP est une façon plus intelligente de construire des équipes d'IA pour des tâches complexes. Au lieu d'essayer de « rechercher » une solution parfaite à partir de zéro, il récupère des outils existants, les assemble avec des règles strictes et corrige les petites erreurs en temps réel. Cela le rend meilleur pour gérer la science réelle où il n'y a pas de corrigés, et il économise de l'argent par rapport aux anciennes méthodes.

Résumé Technique : AGENTCO-OP

Énoncé du Problème

La conception de flux de travail multi-agents interopérables est particulièrement difficile dans les domaines scientifiques ouverts. Contrairement aux benchmarks standards (par exemple, QA, codage, mathématiques) qui offrent des ensembles de données d'entraînement curatés, des métriques d'évaluation scalaires fiables et des interfaces standardisées, les tâches scientifiques manquent souvent de ces ressources. Dans des domaines comme la génomique, les tâches sont ouvertes, les réponses de vérité terrain sont fréquemment ambiguës ou inexistantes, et l'évaluation repose sur des preuves intermédiaires hétérogènes (par exemple, signification statistique, plausibilité biologique) plutôt que sur une récompense scalaire unique. De plus, les agents et outils scientifiques existants sont souvent développés indépendamment avec des environnements, des interfaces et des états de provenance incompatibles. Les méthodes actuelles de conception automatisée de flux de travail (par exemple, ADAS, AFlow, AgentSquare) reposent sur la recherche de topologies candidates et l'optimisation par rapport à des retours scalaires, une stratégie qui devient impraticable lorsque des benchmarks représentatifs et des signaux de récompense fiables sont indisponibles.

Méthodologie : AGENTCO-OP

Les auteurs proposent AGENTCO-OP, un cadre de synthèse basé sur la récupération qui reformule la conception automatisée de flux de travail multi-agents comme un problème de composition plutôt que comme un problème de recherche globale. Le système fonctionne en cinq étapes principales :

Planification et Récupération : Étant donnée une spécification de tâche $x = (g, c, r, \Omega)$ (objectif, contexte, contraintes et ressources), le système formule un plan de récupération. Il rassemble des artefacts pertinents à partir de bibliothèques curatées ou de référentiels fournis par l'utilisateur, incluant la documentation de référence, les compétences procédurales des agents, les outils appelables et les métadonnées provenant de référentiels GitHub externes.
Synthèse : AGENTCO-OP synthétise un flux de travail exécutable initial sous forme de graphe orienté $G = (V, E)$ $G = (V, E)$ .
- Représentation du Graphe : Les nœuds représentent des agents avec des rôles assignés, qui peuvent être des agents externes encapsulés dans des conteneurs Docker ou des méthodes de bout en bout. Les arêtes représentent le flux d'informations et les artefacts intermédiaires.
- Ancrage des Nœuds : Chaque nœud est ancré avec des compétences et des outils spécifiques récupérés de la bibliothèque, mappés via une fonction $\phi$ .
- Alignement des Interfaces : Le système impose des transferts d'artefacts typés. La communication entre les agents est régie par un protocole $\Pi$ où les artefacts (par exemple, tables de marqueurs validées, JSON structuré) sont transmis via des schémas standardisés, assurant la compatibilité entre les composants hétérogènes.
- Conteneurisation : Les référentiels et méthodes externes sont encapsulés dans des conteneurs Docker (suivant Repo2Run) pour résoudre les dépendances d'environnement et permettre leur fonctionnement en tant que nœuds de graphe.
Exécution : Le flux de travail synthétisé est exécuté. Durant cette phase, le système surveille des preuves hétérogènes, incluant les traces d'exécution, les vérifications de validation, les erreurs d'outils et les signaux de coût.
Réparation Locale Guidée par les Preuves : Si les preuves d'exécution indiquent un échec ou une incertitude, un « Examinateur » déclenche une réparation locale bornée. Au lieu de relancer la synthèse ou la recherche globale, le système consulte un ensemble de politiques de réparation pour réviser uniquement les nœuds impliqués, les compétences attachées, les outils ou les arêtes de communication. Ce processus est borné par un budget de réparation ou un nombre maximal de tours.
Composition avec des Flux de Travail Basés sur la Recherche : AGENTCO-OP peut également ingérer un graphe d'agent existant produit par une méthode basée sur la recherche (par exemple, AFlow) comme prior structurel. Il affine ensuite ce graphe en ancrant les nœuds avec des compétences récupérées et en appliquant une réparation locale, démontrant que la synthèse et la recherche sont complémentaires.

Contributions Clés

Formulation de Synthèse Basée sur la Récupération : L'article formule la conception automatisée de flux de travail comme un problème de synthèse basé sur la récupération pour des contextes où les récompenses scalaires sont faibles ou indisponibles. Il l'instancie dans AGENTCO-OP, qui compose dynamiquement des ressources, des compétences, des outils et des agents externes en flux de travail exécutables via des transferts d'artefacts typés et une réparation locale bornée.
Coordination d'Agents Scientifiques Indépendants : Le cadre démontre la capacité à coordonner des agents scientifiques et des référentiels d'outils développés indépendamment dans des tâches de génomique en monde ouvert. Étant données uniquement les spécifications de tâche et les liens GitHub, il synthétise automatiquement des flux de travail interopérables sans redessiner les référentiels sous-jacents.
Complémentarité de la Synthèse et de la Recherche : Les auteurs montrent que la synthèse et la recherche sont complémentaires en important un flux de travail recherché par AFlow et en l'améliorant grâce à l'ancrage par récupération et à la réparation locale.
Performance et Efficacité : Sur six benchmarks standards (QA, mathématiques, code), AGENTCO-OP atteint les meilleures performances sur quatre benchmarks et le meilleur score moyen dans un cadre de backbone unifié, tout en réduisant systématiquement les coûts de tokens par tâche par rapport aux bases de référence multi-agents.

Résultats Expérimentaux

L'article évalue AGENTCO-OP dans deux régimes :

1. Études de Cas Scientifiques en Monde Ouvert :

Collaboration en Transcriptomique Spatiale : AGENTCO-OP coordonne TissueAgent (transcriptomique spatiale) et GeneAgent (interprétation de sets de gènes) pour analyser un jeu de données MERFISH de cœur humain en développement. Le système synthétise avec succès un flux de travail sériel où TissueAgent identifie 53 gènes marqueurs surexprimés, qui sont validés et transmis comme un artefact typé à GeneAgent pour interprétation. Les agents concluent que les fibroblastes de l'anneau AV/AVN représentent un état développemental spécialisé.
Découverte de Marqueurs Cross-Modaux : Le système compose les flux de travail Seurat (RNA-seq) et Signac (ATAC-seq) en parallèle sur des données multiomes PBMC. Il intègre les résultats des deux modalités, évaluant la qualité des marqueurs par rapport à CellMarker 2.0 et PanglaoDB. L'approche combinée produit une précision et un rappel macro supérieurs à ceux d'une seule modalité.
Réutilisation de Flux de Travail : En important un graphe recherché par AFlow pour le benchmark MBPP et en l'affinant, le système atteint un score pass@1 de 87,5, surpassant à la fois AFlow seul (78,2) et AGENTCO-OP construit à partir de zéro (87,1).

2. Benchmarks Standards :

Évalué sur HotpotQA, DROP, HumanEval, MBPP, GSM8K et MATH en utilisant GPT-4o-mini.
AGENTCO-OP obtient les scores les plus élevés sur quatre des six benchmarks et le score moyen le plus élevé.
Analyse des Coûts : AGENTCO-OP réduit considérablement les coûts de tokens au moment du test par rapport aux méthodes basées sur la discussion (par exemple, LLM-Debate, ReConcile) et aux méthodes basées sur la recherche (par exemple, AFlow), qui engendrent des coûts élevés durant la recherche/entraînement ou la communication répétée entre agents.

Signification et Revendications

L'article revendique que la synthèse basée sur la récupération étend la conception automatisée de flux de travail agentique au-delà des graphes d'agents optimisés pour les benchmarks vers des flux de travail en monde ouvert construits à partir d'agents, d'outils et d'artefacts typés existants.

Passage à l'Échelle vers des Tâches Ouvertes : En évitant la dépendance à la recherche de topologie globale et aux récompenses scalaires, AGENTCO-OP adresse le goulot d'étranglement dans les domaines scientifiques où les tâches manquent de benchmarks curatés.
Interopérabilité : Le cadre résout le défi de l'interopérabilité en traitant les compétences comme des unités typées et testables, et en imposant un alignement des interfaces via l'encapsulation Docker et les artefacts typés, permettant à des systèmes développés indépendamment de collaborer.
Efficacité : L'approche de synthèse en premier, combinée à une réparation locale bornée, évite le coûteux essai-erreur de la recherche globale et la communication redondante des systèmes basés sur le débat, conduisant à des coûts inférieurs et une adaptation plus rapide à des instances de problèmes spécifiques.
Utilité Scientifique : Ce travail suggère que les progrès dans les agents scientifiques dépendent non seulement de la construction d'agents individuels plus performants, mais aussi du développement de méthodes pour organiser, composer et adapter des agents hétérogènes en systèmes collaboratifs fiables. AGENTCO-OP fournit une voie pratique vers un écosystème réutilisable où l'expertise existante peut être composée et vérifiée pour répondre à des défis complexes de découverte interdomaine.

Les auteurs reconnaissent les limites, incluant l'accent actuel sur les études de cas à domaine unique, la dépendance à la qualité des ressources disponibles, et le fait que la réparation locale ne garantit pas l'optimalité globale. Cependant, ils postulent que ce paradigme offre une alternative robuste à la conception basée sur la recherche pour les applications scientifiques réelles.