📊 statistics

AgensFlow: A Coordination-Policy Substrate for Multi-Agent Systems

Ce papier présente AgensFlow, un cadre open-source qui traite la coordination multi-agent comme un problème d'apprentissage de politique en ligne sous observabilité partielle, démontrant qu'un routage appris et auditable surpasse les pipelines statiques dans les flux de travail complexes en optimisant dynamiquement les décisions relatives aux compétences, aux rôles, aux modèles et à la topologie.

Auteurs originaux : Nicole Koenigstein

Publié 2026-05-28

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nicole Koenigstein

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 soyez le gestionnaire d'une cuisine animée et à haut risque. Vous avez une équipe de chefs (les agents), un garde-manger rempli d'ingrédients et d'outils divers (les compétences), et quelques fours qui cuisent à des vitesses et à des coûts différents (les modèles).

Dans l'ancienne façon de faire (le pipeline statique), vous écririez une carte de recette rigide pour chaque plat. « Pour la soupe, utilisez toujours le Chef A, vérifiez le garde-manger, puis utilisez le Four 1. » « Pour la salade, utilisez toujours le Chef B, sautez le garde-manger, utilisez le Four 2. »

Le problème est que la vie réelle n'est pas aussi simple. Parfois, les ingrédients de la soupe sont étranges, ou le four est en panne, ou vous devez préparer une salade qui nécessite en fait une marmite à soupe. Si vous vous en tenez à la recette rigide, vous risquez de perdre du temps, de l'argent, ou de servir un mauvais repas.

AgensFlow est une nouvelle façon de faire fonctionner cette cuisine. Au lieu d'une recette fixe, c'est un gestionnaire intelligent et apprenant qui observe ce qui se passe à chaque fois que vous cuisinez un repas et ajuste le plan à la volée.

Voici comment cela fonctionne, décomposé en concepts simples :

1. La « Signature repliée » (Reconnaître la situation)

Le gestionnaire ne regarde pas chaque détail de chaque commande (ce qui serait écrasant). Au lieu de cela, il regroupe les commandes en « signatures ».

L'analogie : Pensez-y comme un système de feux de circulation. Le gestionnaire ne demande pas : « Est-ce une Toyota rouge ou une Ford bleue ? » Il demande : « Est-ce une situation de heures de pointe (risque élevé, besoin de rapidité) ? » ou « Est-ce un mardi calme (risque faible, on peut être prudent) ? »
Dans l'article : Il examine la tâche pour voir si elle est ambiguë, risquée, ou si elle nécessite beaucoup de preuves. Il regroupe les tâches similaires afin qu'il puisse apprendre la meilleure façon de gérer ce type de situation, plutôt que de mémoriser chaque commande individuelle.

2. Le bouton « Passer » (Apprentissage de la topologie)

Dans une cuisine rigide, vous pourriez devoir laver un bol, hacher un oignon et remuer une casserole pour chaque plat, même si le plat n'en a pas besoin.

L'analogie : AgensFlow donne au gestionnaire un bouton « Passer ». Si le gestionnaire voit une commande simple (comme un verre d'eau), il apprend à sauter l'éminçage et le dressage sophistiqué. Si la commande est complexe (comme un festin de cinq plats), il apprend à ajouter des étapes supplémentaires, comme demander à deux chefs de vérifier le travail.
Dans l'article : C'est ce qu'on appelle skip:X. Le système apprend que pour certains types de tâches, il peut sauter entièrement des étapes coûteuses (comme rechercher sur le web ou vérifier des faits), économisant ainsi du temps et de l'argent sans gâcher le résultat.

3. La « Boucle d'apprentissage » (Graphe de politique)

Le système ne fait pas que deviner ; il tient un tableau de scores.

L'analogie : Imaginez que le gestionnaire tient un cahier. Après chaque repas, un critique culinaire (le Juge) note le plat. Le gestionnaire écrit : « Lorsque nous avions une commande de "Heures de pointe", utiliser le Chef B et sauter la garniture a obtenu un 9/10 et coûté moins cher. Utiliser le Chef A a obtenu un 7/10 mais coûté plus cher. »
Dans l'article : C'est le Graphe de politique. Il apprend une « politique » (un ensemble de règles) pour chaque « signature » (situation). Il utilise une astuce mathématique appelée UCB1 pour équilibrer l'essai de nouvelles choses (exploration) avec le maintien de ce qui fonctionne (exploitation).

4. La « Double-vérification » (Audit de récompense)

L'un des plus grands problèmes avec l'IA est que le « critique » peut être biaisé. Peut-être qu'un critique adore la nourriture épicée, tandis qu'un autre la déteste.

L'analogie : AgensFlow ne demande pas à un seul critique culinaire. Il demande à trois critiques différents issus de milieux divers de noter le repas. S'ils sont tous d'accord, le gestionnaire fait confiance à la note. S'ils ne sont pas d'accord, le gestionnaire sait que la note est fragile et ne modifie pas les règles en se basant dessus.
Dans l'article : C'est l'Audit croisé des juges. L'article a montré que s'en remettre à un seul juge peut tromper le système en le faisant croire qu'il se débrouille mieux qu'il ne le fait réellement. Utiliser plusieurs juges donne une image plus vraie du succès.

Que ont-ils découvert ?

Les chercheurs ont testé ce « gestionnaire intelligent » sur deux types de tâches très différents :

Réparer des plantages de systèmes informatiques (Systèmes distribués).
Analyser des alertes de sécurité (Avis de sécurité).

Les résultats :

Meilleur pour les choses difficiles : Le gestionnaire apprenant était beaucoup plus performant sur les tâches complexes nécessitant une coordination (comme combiner des informations provenant de nombreuses sources) que la recette rigide. Il a considérablement amélioré la qualité de la réponse pour ces tâches difficiles.
Bon pour les choses simples : Pour les tâches très simples, le gestionnaire apprenant était à peu près équivalent à la recette rigide (il n'a pas empiré les choses, mais il n'avait pas besoin d'être sophistiqué).
L'astuce du « Démarrage à chaud » : Ils ont essayé d'enseigner au gestionnaire les alertes de sécurité en utilisant les connaissances qu'il avait déjà sur les plantages de systèmes informatiques. Cela a fonctionné ! Le gestionnaire a appris le nouveau travail plus rapidement et a passé moins de temps à « deviner » (exploration), même si les sujets étaient différents.

La conclusion

AgensFlow prouve que pour des équipes d'IA complexes, vous ne devriez pas coder en dur les règles. Au lieu de cela, vous devriez construire un système qui observe, apprend et s'adapte. Il traite la décision de « qui fait quoi, quand, et si nous avons même besoin de le faire » comme une compétence qui peut être apprise, plutôt que comme un réglage fixe.

Plus important encore, cela montre que vous devez faire attention à comment vous mesurez le succès. Si votre « juge » est biaisé, votre « apprentissage » sera erroné. En auditant les juges eux-mêmes, le système reste honnête et efficace.

Résumé Technique : AgensFlow – Un Substrat de Politique de Coordination pour les Systèmes Multi-Agents

1. Énoncé du Problème

Les systèmes multi-agents (SMA) construits sur des modèles de langage à grande échelle (LLM) font face à un goulot d'étranglement critique : l'explosion des choix de coordination qui sont difficiles à fixer a priori. Les concepteurs doivent décider quels protocoles de compétences invoquer, quels rôles d'agent exécutent les sous-tâches, quels modèles sont associés à des rôles spécifiques, comment les rôles interagissent (topologie), et quand utiliser la récupération d'information, la vérification, ou omettre des étapes entièrement.

Ces choix ne sont pas indépendants ; ils interagissent avec les régimes de tâches et les contraintes opérationnelles. Par conséquent, les pipelines statiques et les comparaisons ponctuelles de modèles ne fournissent qu'une vue limitée de l'espace de conception. Une configuration optimale pour une signature de tâche donnée (par exemple, factuelle sur un seul document) peut échouer sous une autre (par exemple, synthèse sur plusieurs documents). L'article soutient que le défi technique central a évolué des capacités isolées des agents vers la coordination dynamique, nécessitant un système capable d'apprendre activement quelle combinaison de compétences, de modèles et de topologies fonctionne le mieux pour des régimes de tâches spécifiques.

2. Méthodologie : Cadre AgensFlow

AgensFlow est un framework open-source qui reformule l'orchestration multi-agent comme un problème d'apprentissage de politique en ligne sous observabilité partielle. Au lieu de coder en dur un pipeline, AgensFlow traite les décisions de coordination comme des actions apprenables au sein d'un graphe de politique.

2.1 Formulation Principale

Le système opère sur une signature de tâche repliée ( $s_t$ ) plutôt que sur des invites individuelles. Cette signature est une abstraction dérivée de :

Étiquette de Régime : Déterminée par les caractéristiques de la tâche (ambiguïté, risque de contradiction, disponibilité des preuves).
Masque de Transfert : État binaire des champs objectif, sous-problème, preuve, critique, vérification et réponse.
Estimations de Croyance : Estimations continues heuristiques de la justesse, de l'incertitude, du risque de contradiction et de la suffisance des preuves.

À chaque étape de routage, la politique sélectionne une action dans un ensemble légal $A(s_t)$ :

Invoke(k, m) : Exécuter un protocole de compétence spécifique $k$ lié à un modèle $m$ .
skip:X : Omettre une cellule planifiée (par exemple, sauter la récupération d'information ou un résolveur redondant) de la trajectoire.
Terminate : Déclenché implicitement par l'épuisement du budget ou des règles de gouvernance.

2.2 Mécanisme d'Apprentissage

Le framework apprend un graphe de politique indexé par des signatures repliées.

Sélection d'Action : Utilise une variante UCB1 consciente de la fiabilité qui équilibre la récompense moyenne, l'exploration (lissée sur les visites) et une pénalité d'échec.
$score(s, a) = \bar{r}(s, a) + c_s \sqrt{\frac{\log(N_s + 1)}{N_{s,a}}} - \lambda f(s, a)$
Signal de Récompense : Une récompense hybride composée de :
- Qualité RelativeJudge ( $Q$ ) : Un score relatif comparant les trajectoires à leurs pairs de même classe en utilisant une grille explicite (atteinte de l'objectif, ancrage, coordination, récupération).
- Pénalités Opérationnelles : Coûts de tokens normalisés et pénalités de réessai/échec.
Auditabilité : Le signal de récompense n'est pas une boîte noire ; il prend en charge la moyenne croisée des juges (utilisant plusieurs familles de LLM) et la décomposition par axe pour détecter les biais.

2.3 Couches Architecturales

AgensFlow est structuré en six couches de dépendance :

Couche 0 : Wrappers de recherche web.
Couche 1 : Schéma, régimes et registre de compétences.
Couche 2 : Agents, transport et traçage.
Couche 3 : Graphe de politique, routeur et intégration LangGraph.
Couche 4 : Calcul de récompense et RelativeJudge.
Couche 5 : Vérifications pré-vol, gouvernance et rapports.

3. Contributions Clés

Coordination comme Apprentissage de Politique en Ligne : Une formulation de l'orchestration multi-agent comme un processus de décision séquentiel sous observabilité partielle, s'éloignant des pipelines statiques.
Graphe de Politique Inspectable : Une structure persistante et auditable qui enregistre quelles actions (compétences, modèles, topologies) ont été sélectionnées pour quels régimes de tâches, y compris les comptes de visites, les récompenses et les taux d'échec.
Topologie comme Variable Apprenable : L'introduction de l'action skip:X, permettant à la politique d'apprendre que certaines étapes (comme la récupération d'information ou la vérification) peuvent être omises entièrement pour certaines classes de tâches, plutôt que de simplement les réorganiser.
Auditabilité du Signal de Récompense : Traiter la couche d'évaluation comme faisant partie de la conception du système, en utilisant des ensembles de juges croisés pour garantir que le signal d'apprentissage est robuste face aux biais des familles de modèles.

4. Résultats Empiriques

Le framework a été évalué sur deux corpus de 60 tâches : tâches d'incidents de systèmes distribués et tâches synthétiques de bulletins de sécurité.

4.1 Performance par rapport aux Lignes de Base

Routage Appris vs Pipeline Fixe : Sur le corpus de bulletins de sécurité, la politique apprise (bras principal) a nettement surpassé une ligne de base de pipeline fixe à 7 cellules sous un audit croisé à trois juges de familles différentes.
- Gain de Qualité : La politique apprise a obtenu un score RelativeJudge de 0,817 contre 0,749 pour la ligne de base (+0,068).
- Efficacité : Cette amélioration s'est accompagnée d'une augmentation modeste du coût en tokens (+15 %), tandis qu'une variante d'apprentissage « sans saut » a entraîné une pénalité de coût en tokens de +94 %.
Gains Spécifiques aux Classes : Les améliorations étaient concentrées dans les classes à forte coordination :
- Raisonnement multi-fournisseurs sur plusieurs documents (C3) : +0,181
- Tâches de paires multi-fournisseurs (C8) : +0,156
- Correction de la mitigation (C7) : +0,131
- Les classes procédurales (C1, C6) ont montré des différences négligeables, car les pipelines statiques y fonctionnent adéquatement.

4.2 Transfert par Démarrage à Chaud

Un graphe de politique appris sur des tâches de systèmes distribués a été utilisé pour démarrer à chaud l'évaluation des bulletins de sécurité.

Réduction des Coûts : Le démarrage à chaud a réduit les coûts d'exploration, utilisant environ 10 % de tokens en moins au plateau et environ 21 % de tokens en moins sur l'ensemble de l'exécution par rapport au démarrage à froid.
Préservation de la Qualité : Bien que les scores d'un seul juge suggèrent un grand avantage de qualité, un audit croisé de familles a révélé que le gain de qualité au plateau était modeste (+0,012), confirmant que le principal avantage du démarrage à chaud est la réduction du coût d'exploration sans dégrader la qualité finale.

4.3 Robustesse de la Récompense

L'étude a mis en évidence que les signaux de récompense sont sensibles à la famille du modèle juge. Un signal d'un seul juge a surestimé l'avantage de qualité du démarrage à chaud par rapport à un ensemble de trois juges. Cela valide l'affirmation de l'article selon laquelle l'audit des récompenses est un composant nécessaire du substrat de coordination.

5. Signification et Revendications

L'article revendique qu'AgensFlow démontre que le routage appris et auditable peut améliorer les workflows multi-agents à forte coordination par rapport au câblage statique.

Changement de Goulot d'Étranglement : Le goulot d'étranglement central n'est plus la capacité du modèle de base, mais la capacité du système à naviguer dans une grande surface de coordination changeante (Tâche × Compétence × Modèle × Topologie).
Rejet de l'Intuition : La surface d'interaction est trop vaste et bruyante pour être naviguée de manière fiable par l'intuition technique ou des choix de topologie ponctuels.
Conception Auditable : En rendant les décisions de coordination observables et apprenables à partir de trajectoires répétées, AgensFlow permet aux opérateurs d'inspecter et d'améliorer les a priori de routage.
Portée Modeste : Les auteurs reconnaissent les limites, notant que l'évaluation actuelle ne couvre que les topologies linéaires avec saut. L'exécution parallèle, la coordination de type essaim et la décomposition hiérarchique font partie de la surface de conception mais n'ont pas été exercées dans ces expériences.

En résumé, AgensFlow fournit un substrat où le flux de travail « optimal » n'est pas prédéfini mais est appris et audité dynamiquement, optimisant à la fois la performance des tâches et les contraintes opérationnelles à travers des régimes divers.