🤖 AI

What Should Agents Say? Action-state Communication for Efficient Multi-Agent Systems

Cet article introduit PACT, un cadre de communication action-état protocolisé qui compresse les échanges en langage naturel de forme libre dans les systèmes multi-agents en enregistrements compacts, réduisant de manière significative l'utilisation de jetons et les coûts d'inférence tout en maintenant ou en améliorant la performance des tâches à travers diverses topologies de systèmes.

Auteurs originaux : Chen Huang, Yuhao Wu, Wenxuan Zhang

Publié 2026-06-05

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Chen Huang, Yuhao Wu, Wenxuan Zhang

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

Le Problème : La réunion de « l'excès de partage »

Imaginez une équipe de détectives (des agents) essayant de résoudre un mystère. Dans les systèmes actuels, chaque fois qu'un détective termine son travail, il écrit un rapport massif et le colle dans un carnet partagé pour que le détective suivant puisse le lire.

Ce rapport comprend :

La réponse finale.
Les indices qu'il a trouvés.
Mais aussi : Chaque pensée aléatoire qu'il a eue, chaque impasse qu'il a explorée, chaque fois qu'il a relu un indice, et une longue explication décousue sur comment il a réfléchi.

Le problème :
Au fur et à mesure que l'enquête progresse, ce carnet partagé devient énorme.

C'est coûteux : Lire un carnet de 100 pages coûte beaucoup d'argent (dans ce cas, des « tokens » ou de la puissance de calcul).
C'est lent : Le détective suivant doit lire tout ce bruit avant de pouvoir accéder aux nouveaux indices.
C'est déroutant : Les faits importants sont enfouis sous des pages de « J'ai pensé à ceci, puis j'ai pensé à cela ».

L'article soutient que nous laissons actuellement les agents « trop partager » leur processus de pensée privé, ce qui encombre le système.

La Solution : PACT (La règle du « Résumé Exécutif »)

Les auteurs proposent une nouvelle règle appelée PACT (Protocolized Action-state Communication and Transmission — Communication et Transmission de l'État-Action Protocolisées).

Considérez PACT comme une règle stricte pour le carnet partagé de l'équipe : « Pas de bavardage autorisé. »

Au lieu de coller tout le brouillon désordonné, un agent doit maintenant traduire son travail en un enregistrement compact en trois parties, appelé « Action-État », avant de passer la main :

ACTION : Qu'est-ce que je viens de faire ? (ex. : « J'ai cherché dans la base de données. »)
ÉTAT : Quelle preuve ai-je trouvée ? (ex. : « J'ai trouvé un reçu de 1995. »)
RÉSULTAT : Quel est l'élément utile ? (ex. : « Voici l'image du reçu. »)

L'analogie :

L'ancienne méthode : Le Détective A remet au Détective B un journal de 50 pages relatant toute sa journée, y compris ce qu'il a pris au petit-déjeuner et chaque pensée qu'il a eue en marchant jusqu'au magasin.
La méthode PACT : Le Détective A remet au Détective B un post-it qui dit : « Je suis allé au magasin (Action), j'ai trouvé un reçu pour une voiture bleue (État), et voici la photo (Résultat). Maintenant, vérifie le registre des voitures. »

Ce qu'ils ont découvert

Les chercheurs ont testé cette idée de deux manières différentes :

Preuves divisées : Deux agents devaient partager des indices pour résoudre une énigme.
Chaîne de montage : Quatre agents travaillaient en ligne (Planificateur → Critique → Affineur → Solveur).

Ils ont comparé PACT à cinq autres modes de communication (comme l'envoi du texte intégral, juste la conclusion, ou un court résumé).

Les résultats :

Pas de solution unique : Ils ont constaté qu'aucune méthode de communication ne fonctionnait le mieux dans toutes les situations. Parfois, envoyer uniquement la conclusion fonctionnait ; parfois, envoyer le texte complet était acceptable.
PACT l'emporte : Cependant, PACT était le gagnant le plus constant. Il a permis d'économiser une quantité massive d'« argent » (tokens) tout en maintenant l'intelligence de l'équipe, voire en l'augmentant.
- Dans leurs tests, PACT a réduit la quantité de données envoyées d'environ 39 % en moyenne.
- Dans les outils de codage du monde réel (comme OpenHands et SWE-agent), il a réduit l'utilisation de données de près de 50 % sans casser le code.

Pourquoi cela fonctionne

L'article explique que l'agent suivant dans la chaîne n'a pas besoin de savoir comment le précédent a réfléchi. Il a seulement besoin de savoir :

Quelle action a été entreprise.
Quelle est la situation actuelle (l'état).
Quel est le résultat.

En filtrant le « monologue interne » (la pensée privée) pour ne partager que les « faits publics », le système devient plus rapide, moins cher et moins susceptible de saturer la mémoire.

L'essentiel à retenir

L'article conclut que nous ne devrions pas simplement laisser les agents IA discuter de manière libre et non structurée. Au lieu de cela, nous devrions les forcer à suivre un « protocole » strict où ils ne partagent que les mises à jour essentielles (Action, État, Résultat). Cela transforme une conversation chaotique et coûteuse en une course de relais efficace et à haute vitesse.

Résumé Technique : PACT pour des Systèmes Multi-Agents Efficaces

Énoncé du Problème
Les systèmes multi-agents (MAS) construits sur des modèles de langage étendus (LLM) reposent généralement sur un langage naturel non contraint pour la communication entre agents. Bien que les agents collaborent via des rôles, des pipelines ou des séquences de tours, le contenu qu'ils échangent est souvent libre, incluant des traces de raisonnement complètes, des explications verbeuses et des redondances. Cette approche crée une inefficacité critique : à mesure que les agents transmettent de longues traces de raisonnement internes, les agents en aval doivent traiter ce contenu de manière répétée comme faisant partie de l'historique partagé du dialogue. Ce « cumul de contexte » gonfle rapidement l'utilisation des tokens, consomme les fenêtres de contexte partagées et dégrade à la fois les performances du système et les coûts d'inférence, particulièrement dans les configurations multi-tours impliquant des modèles de raisonnement modernes.

La recherche actuelle sur les MAS s'est largement concentrée sur l'orchestration (rôles, prise de tour, allocation d'outils) tout en traitant le contenu des messages entre agents comme une variable secondaire et non contrainte. L'article soutient que le contenu des messages est un levier de conception central qui façonne directement tant la performance que le coût.

Méthodologie : Analyse Diagnostique et PACT
Les auteurs ont d'abord mené une analyse diagnostique à travers deux topologies de MAS distinctes — une Interaction par Preuve Partagée symétrique (Configuration A) et un Pipeline Séquentiel (Configuration B) — en utilisant des modèles allant de 8B à 32B de paramètres. Ils ont évalué cinq stratégies de communication courantes :

Contenu Complet (Full Content) : Transmettre l'intégralité de la sortie en langage libre, incluant les traces de raisonnement.
Génération Concise (Concise Generation) : Utiliser des modes natifs sans réflexion pour produire des réponses plus courtes.
Conclusion Uniquement (Conclusion Only) : Ne transmettre que la réponse finale ou la conclusion.
Résumé Bref (Brief Summary) : Demander explicitement un court résumé en langage libre.
Artefact Uniquement (Artifact Only) : Ne transmettre que l'artefact spécifique au rôle (par exemple, un plan ou une critique).

Résultats de l'Analyse :

Aucune stratégie unique n'est universellement optimale selon les topologies.
Le Contenu Complet est systématiquement coûteux et redondant.
La Génération Concise et le Résumé Bref sont instables ; ils omettent souvent des informations pertinentes pour la tâche nécessaires aux agents en aval.
La Conclusion Uniquement fonctionne dans les pipelines (où le contexte est fourni par l'ordre des rôles) mais échoue dans les interactions où des preuves sont manquantes.
L'Artefact Uniquement capture un contenu utile mais manque du protocole nécessaire pour signaler l'intention et l'ancrage, ce qui entraîne parfois une augmentation des tours d'interaction.

Le Protocole PACT
Sur la base de la conclusion selon laquelle les messages efficaces doivent préserver l'information centrée sur l'action plutôt que le raisonnement privé, les auteurs proposent le PACT (Protocolized Action-state Communication and Transmission).

Mécanisme Central : PACT traite la communication inter-agents comme un problème de mise à jour d'état public. Avant qu'une sortie brute de l'agent ( $y_t$ ) ne soit ajoutée à l'historique partagé, elle est projetée par une fonction côté expéditeur ( $\Pi_{PACT}$ ) dans un enregistrement structuré et compact.
Structure du Message : Le message public se compose de trois champs :
1. ACTION : Indique explicitement ce que l'expéditeur a fait ou ce que le prochain agent doit faire (clarification de l'intention).
2. ÉTAT (STATE) : Enregistre les preuves, les observations ou les retours de l'environnement qui ancrent l'action (fourniture du contexte).
3. RÉSULTAT (RESULT) : Contient la sortie actionnable (par exemple, une solution affinée, un fait extrait ou un résultat d'outil).
Frontière de Confidentialité : PACT sépare strictement le calcul privé de la communication publique. Les agents conservent leurs pleines capacités de raisonnement interne, d'auto-vérification et de planification ; seul l'enregistrement action-état résultant est partagé. Cela empêche la délibération intermédiaire de s'accumuler dans la fenêtre de contexte.
Indépendant de l'Harnais (Harness-Agnostic) : Le protocole est orthogonal aux choix de conception des MAS (rôles, calendriers) et peut être implémenté comme un crochet proxy léger dans les systèmes existants sans réentraînement des modèles.

Contributions Clés

Analyse Systématique : A démontré qu'aucune politique de communication fixe n'est universellement optimale et a identifié que le contenu des messages inter-agents est une dimension de conception sous-explorée mais critique.
Protocole PACT : A introduit un protocole sans entraînement et indépendant de l'harnais qui définit une frontière entre le calcul privé et la communication publique, limitant l'historique partagé à des enregistrements action-état compacts.
Validation Empirique : A montré que PACT améliore la frontière performance-coût à travers des environnements MAS contrôlés et des harnais de codage réels.

Résultats Expérimentaux

Configurations MAS Contrôlées :
- Preuve Partagée (Configuration A) : PACT a obtenu des scores F1 comparables ou supérieurs tout en réduisant l'utilisation des tokens de 38,7 % en moyenne par rapport aux bases de comparaison avec une communication non contrainte.
- Pipeline Séquentiel (Configuration B) : PACT a obtenu une précision comparable ou plus forte tout en utilisant nettement moins de tokens. Par exemple, sur le modèle Qwen3-32B, PACT n'a utilisé que ~19–23 % des tokens requis par les bases de comparaison de type "Multi-Agent Debate" tout en maintenant ou en améliorant la précision.
- Ablation : Le retrait de l'un des trois champs (Action, État, Résultat) a dégradé les performances et augmenté l'utilisation des tokens, confirmant la nécessité du transfert complet action-état.
Harnais de Codage Réels :
- OpenHands : PACT a augmenté le taux de résolution SWE-bench Verified de 19,40 % à 23,00 % (+18 instances résolues) tout en réduisant les tokens par résolution de 10,3 %.
- SWE-agent : PACT a réduit les tokens d'entrée de 50,4 % (de 314,6M à 156,0M) et les tokens par résolution de 47 %, avec un impact négligeable sur le taux de résolution (de 25,6 % à 24,2 %).

Signification et Revendications
L'article affirme que discipliner le contenu des messages inter-agents est un mécanisme efficace pour réduire la croissance redondante du contexte. PACT démontre que les agents n'ont pas besoin de partager l'intégralité de leurs traces de raisonnement pour collaborer efficacement ; au contraire, partager un enregistrement action-état structuré et ancré est suffisant pour que les agents en aval puissent poursuivre la tâche.

Les auteurs soulignent que PACT est sans entraînement et indépendant de l'harnais, ce qui en fait une intervention pratique au moment de l'inférence pour les applications agentiques existantes. Les résultats suggèrent que la « frontière performance-coût » dans les MAS peut être considérablement améliorée non seulement en augmentant la taille des modèles ou en changeant l'orchestration, mais en définissant strictement quelles informations entrent dans le canal de communication partagé. L'article conclut que laisser la communication inter-agents sous forme de langage naturel non contraint est inefficace et que des protocoles structurés comme PACT sont nécessaires pour des systèmes multi-agents évolutifs et rentables.