💻 computer science

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

AgentCo-op è un framework basato sul recupero che sintetizza flussi di lavoro multi-agente interoperabili componendo strumenti e agenti riutilizzabili tramite passaggi di artefatti tipizzati e auto-riparazione locale, consentendo una scoperta collaborativa efficace in domini scientifici aperti e superando le linee di base su vari benchmark con costi ridotti.

Autori originali: Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Pubblicato 2026-05-21

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover costruire una macchina complessa, come una macchina del caffè ad alta tecnologia che ordina anche la tua posta e scrive il tuo diario giornaliero. In passato, per realizzare ciò con l'intelligenza artificiale, i ricercatori tentavano di "cercare" il progetto perfetto. Generavano migliaia di progetti diversi, li testavano e speravano che uno funzionasse. Ma è come cercare un ago specifico in un pagliaio costruendo una nuova fabbrica di aghi ogni volta che si guarda. È lento, costoso e spesso fallisce quando il compito è qualcosa di nuovo e disordinato, come la scienza del mondo reale, dove non esiste una "chiave di risposte corretta" per valutare il lavoro.

AGENTCO-OP è un nuovo modo per costruire questi team di IA. Invece di cercare un nuovo progetto da zero, agisce come un capocantiere che entra in un magazzino pieno di strumenti e lavoratori pre-costruiti e specializzati, sceglie quelli giusti e li assembla in una macchina funzionante.

Ecco come funziona, usando semplici analogie:

1. Il "Magazzino" contro la "Ricerca"

La maggior parte dei sistemi IA attuali cerca di cercare il flusso di lavoro migliore. Immagina di dover cuocere una torta mescolando ingredienti a caso e assaggiandoli finché non la ottieni giusta.
AGENTCO-OP utilizza il recupero. Immagina di essere uno chef che deve cuocere una torta. Invece di inventare nuove ricette, vai in un magazzino ben organizzato (una libreria di competenze e strumenti). Prendi una "competenza di mescolamento" già pronta, uno "strumento da forno" e un "agente per la glassatura". Non reinventi la ruota; assembli semplicemente le parti di cui hai bisogno.

2. Il "Passaggio Tipizzato" (Il Pacchetto Sicuro)

Quando passi un biglietto a un amico, potresti scriverlo su un tovagliolo. Se la persona successiva ha bisogno di un modulo specifico, il tovagliolo potrebbe perdersi o essere frainteso.
In AGENTCO-OP, ogni volta che un agente IA passa un risultato a un altro, mette i dati in una scatola strettamente etichettata e sicura (chiamata "artefatto tipizzato").

Esempio: Se l'Agente A trova un elenco di geni, non urla semplicemente l'elenco all'Agente B. Mette l'elenco in una scatola etichettata "Elenco Geni: 53 elementi, verificati". L'Agente B apre la scatola, controlla l'etichetta e sa esattamente cosa fare. Questo impedisce agli agenti di parlarsi addosso o di confondersi a causa di dati disordinati.

3. La "Riparazione Locale" (La Soluzione Rapida)

A volte, anche con il miglior piano, una macchina si rompe.

Vecchio Metodo: Se una parte si guasta, l'intera fabbrica si ferma e gli ingegneri tornano alla lavagna per progettare una macchina completamente nuova da zero.
Metodo AGENTCO-OP: Se una parte specifica si guasta, un "Revisionista" (un supervisore intelligente) esamina l'errore ed esegue una riparazione locale. È come un meccanico che vede un bullone allentato sul motore e stringe solo quel bullone, invece di ricostruire l'intera auto. Il sistema ripara solo il pezzo rotto e continua.

4. Il "Docker" (L'Adattatore Universale)

Gli scienziati spesso hanno i propri strumenti costruiti in ambienti diversi (ad esempio, uno strumento funziona su Mac, un altro su un server Linux). Di solito, non possono comunicare tra loro.
AGENTCO-OP avvolge questi diversi strumenti in container Docker. Pensa a questo come a mettere ogni strumento in un contenitore di spedizione universale. Non importa quale sia lo strumento o dove sia stato costruito, una volta che è nel contenitore, può essere collegato al flusso di lavoro senza soluzione di continuità. Questo permette a un "Agente Geni" e a un "Agente Tessuti" (costruiti da persone diverse in momenti diversi) di lavorare insieme perfettamente.

Cosa Hanno Fatto Effettivamente?

Il documento ha testato questo sistema in due modi principali:

A. Test Scientifici "Mondo Reale" (Open-World)
Non hanno usato domande di test standard. Hanno usato veri e propri problemi scientifici disordinati:

Lo Studio sul Cuore: Hanno collegato due agenti IA separati (uno che esamina il tessuto cardiaco, uno che analizza i geni) per capire perché certe cellule cardiache si comportano diversamente. Il sistema ha costruito un flusso di lavoro per passare i dati tra loro e hanno identificato con successo uno specifico pattern biologico.
Lo Studio sulle Cellule: Hanno combinato due diversi metodi di analisi (osservando l'RNA e osservando l'accessibilità del DNA) per trovare migliori marcatori per i tipi di cellule. Il sistema ha eseguito entrambe le analisi in parallelo, confrontato i risultati e prodotto un rapporto più accurato rispetto all'uso di un solo metodo.
Il Test di "Riuso": Hanno preso un flusso di lavoro già progettato da un'altra IA e l'hanno "migliorato" usando il metodo di AGENTCO-OP, rendendolo ancora migliore.

B. Test Standard (Benchmark)
Hanno anche testato il sistema su test standard di matematica, programmazione e risposta a domande (come quelli usati per valutare i modelli di IA).

Il Risultato: AGENTCO-OP ha ottenuto il punteggio più alto su quattro dei sei test.
Il Costo: È stato anche molto più economico da eseguire. Mentre altri metodi spendevano molto denaro "cercando" la risposta giusta, AGENTCO-OP ha semplicemente assemblato gli strumenti giusti e corretto piccoli errori man mano che si verificavano, risparmiando una quantità significativa di tempo di calcolo e denaro.

La Conclusione

Il documento afferma che AGENTCO-OP è un modo più intelligente per costruire team di IA per compiti complessi. Invece di cercare una soluzione perfetta da zero, recupera strumenti esistenti, li assembla con regole rigorose e corregge piccoli errori al volo. Questo lo rende migliore nell'affrontare la scienza del mondo reale dove non ci sono chiavi di risposte, e fa risparmiare denaro rispetto ai metodi più vecchi.

Riepilogo Tecnico: AGENTCO-OP

Enunciato del Problema

Progettare flussi di lavoro multi-agente interoperabili è particolarmente impegnativo in domini scientifici a scopo aperto. A differenza dei benchmark standard (ad esempio, QA, programmazione, matematica) che offrono set di addestramento curati, metriche di valutazione scalari affidabili e interfacce standardizzate, i compiti scientifici spesso mancano di queste risorse. In campi come la genomica, i compiti sono a scopo aperto, le risposte di verità fondamentale sono frequentemente ambigue o inesistenti e la valutazione si basa su evidenze intermedie eterogenee (ad esempio, significatività statistica, plausibilità biologica) piuttosto che su un'unica ricompensa scalare. Inoltre, gli agenti e gli strumenti scientifici esistenti sono spesso sviluppati indipendentemente con ambienti, interfacce e stati di provenienza incompatibili. I metodi attuali di progettazione automatizzata dei flussi di lavoro (ad esempio, ADAS, AFlow, AgentSquare) si basano sulla ricerca su topologie candidate e sull'ottimizzazione rispetto a feedback scalari, una strategia che diventa impraticabile quando mancano benchmark rappresentativi e segnali di ricompensa affidabili.

Metodologia: AGENTCO-OP

Gli autori propongono AGENTCO-OP, un framework di sintesi basato sul recupero che riformula la progettazione automatizzata di flussi di lavoro multi-agente come un problema di composizione piuttosto che come un problema di ricerca globale. Il sistema opera attraverso cinque fasi principali:

Pianificazione e Recupero: Data una specifica del compito $x = (g, c, r, \Omega)$ (obiettivo, contesto, vincoli e risorse), il sistema formula un piano di recupero. Raccoglie artefatti pertinenti da librerie curate o repository forniti dall'utente, inclusi documentazione di riferimento, abilità procedurali degli agenti, strumenti richiamabili e metadati da repository GitHub esterni.
Sintesi: AGENTCO-OP sintetizza un flusso di lavoro eseguibile iniziale come un grafo diretto $G = (V, E)$ $G = (V, E)$ .
- Rappresentazione del Grafo: I nodi rappresentano agenti con ruoli assegnati, che possono essere agenti esterni incapsulati in container Docker o metodi end-to-end. Gli archi rappresentano il flusso di informazioni e gli artefatti intermedi.
- Ancoraggio dei Nodi: Ogni nodo è ancorato con abilità e strumenti specifici recuperati dalla libreria, mappati tramite una funzione $\phi$ .
- Allineamento delle Interfacce: Il sistema impone passaggi di artefatti tipizzati. La comunicazione tra gli agenti è governata da un protocollo $\Pi$ in cui gli artefatti (ad esempio, tabelle di marcatori convalidate, JSON strutturati) vengono trasmessi attraverso schemi standardizzati, garantendo la compatibilità tra componenti eterogenei.
- Containerizzazione: Repository e metodi esterni sono incapsulati in container Docker (seguendo Repo2Run) per risolvere le dipendenze ambientali e consentir loro di funzionare come nodi del grafo.
Esecuzione: Il flusso di lavoro sintetizzato viene eseguito. Durante questa fase, il sistema monitora evidenze eterogenee, inclusi tracciati di esecuzione, controlli di validazione, errori degli strumenti e segnali di costo.
Riparazione Locale Guidata dalle Evidenze: Se le evidenze di esecuzione indicano un fallimento o un'incertezza, un "Revisore" attiva una riparazione locale limitata. Invece di riavviare la sintesi o la ricerca globale, il sistema consulta un insieme di politiche di riparazione per rivedere solo i nodi coinvolti, le abilità collegate, gli strumenti o gli archi di comunicazione. Questo processo è limitato da un budget di riparazione o da un numero massimo di round.
Composizione con Flussi di Lavoro Basati sulla Ricerca: AGENTCO-OP può anche acquisire un grafo di agenti esistente prodotto da un metodo basato sulla ricerca (ad esempio, AFlow) come prior strutturale. Quindi affina questo grafo ancorando i nodi con abilità recuperate e applicando riparazioni locali, dimostrando che sintesi e ricerca sono complementari.

Contributi Chiave

Formulazione della Sintesi Basata sul Recupero: Il documento formula la progettazione automatizzata dei flussi di lavoro come un problema di sintesi basato sul recupero per contesti in cui le ricompense scalari sono deboli o non disponibili. Lo istanzia in AGENTCO-OP, che compone dinamicamente risorse, abilità, strumenti e agenti esterni in flussi di lavoro eseguibili tramite passaggi di artefatti tipizzati e riparazione locale limitata.
Coordinamento di Agenti Scientifici Indipendenti: Il framework dimostra la capacità di coordinare agenti scientifici e repository di strumenti sviluppati indipendentemente in compiti di genomica in mondo aperto. Dati solo le specifiche del compito e i link GitHub, sintetizza automaticamente flussi di lavoro interoperabili senza ridisegnare i repository sottostanti.
Complementarità tra Sintesi e Ricerca: Gli autori dimostrano che sintesi e ricerca sono complementari importando un flusso di lavoro cercato da AFlow e migliorandolo tramite ancoraggio basato sul recupero e riparazione locale.
Prestazioni ed Efficienza: Su sei benchmark standard (QA, matematica, codice), AGENTCO-OP ottiene le migliori prestazioni su quattro benchmark e il punteggio medio più alto in un'impostazione di backbone unificata, riducendo costantemente i costi di token per compito rispetto alle basi multi-agente.

Risultati Sperimentali

Il documento valuta AGENTCO-OP in due regimi:

1. Casi di Studio Scientifici in Mondo Aperto:

Collaborazione di Trascrittomica Spaziale: AGENTCO-OP coordina TissueAgent (trascrittomica spaziale) e GeneAgent (interpretazione di set di geni) per analizzare un dataset MERFISH di un cuore umano in sviluppo. Il sistema sintetizza con successo un flusso di lavoro seriale in cui TissueAgent identifica 53 geni marcatori sovraespressi, che vengono convalidati e trasmessi come artefatto tipizzato a GeneAgent per l'interpretazione. Gli agenti concludono che i fibroblasti dell'anello AVN/AV rappresentano uno stato di sviluppo specializzato.
Scoperta di Marcatori Cross-Modali: Il sistema compone flussi di lavoro Seurat (RNA-seq) e Signac (ATAC-seq) in parallelo su dati multiome PBMC. Integra i risultati di entrambe le modalità, valutando la qualità dei marcatori rispetto a CellMarker 2.0 e PanglaoDB. L'approccio combinato produce una precisione e un richiamo macro più elevati rispetto a ciascuna modalità da sola.
Riutilizzo del Flusso di Lavoro: Importando un grafo cercato da AFlow per il benchmark MBPP e affinandolo, il sistema ottiene un punteggio pass@1 di 87,5, superando sia AFlow da solo (78,2) sia AGENTCO-OP costruito da zero (87,1).

2. Benchmark Standard:

Valutato su HotpotQA, DROP, HumanEval, MBPP, GSM8K e MATH utilizzando GPT-4o-mini.
AGENTCO-OP ottiene i punteggi più alti su quattro dei sei benchmark e il punteggio medio più alto.
Analisi dei Costi: AGENTCO-OP riduce significativamente i costi di token al momento del test rispetto ai metodi basati sulla discussione (ad esempio, LLM-Debate, ReConcile) e ai metodi basati sulla ricerca (ad esempio, AFlow), che sostengono costi elevati durante la ricerca/addestramento o la comunicazione ripetuta tra agenti.

Significato e Affermazioni

Il documento afferma che la sintesi basata sul recupero estende la progettazione automatizzata dei flussi di lavoro agentic oltre i grafi di agenti ottimizzati per i benchmark verso flussi di lavoro in mondo aperto costruiti da agenti esistenti, strumenti e artefatti tipizzati.

Scalabilità verso Compiti a Scopo Aperto: Evitando la dipendenza dalla ricerca di topologie globali e dalle ricompense scalari, AGENTCO-OP affronta il collo di bottiglia nei domini scientifici dove i compiti mancano di benchmark curati.
Interoperabilità: Il framework risolve la sfida dell'interoperabilità trattando le abilità come unità tipizzate e testabili e imponendo l'allineamento delle interfacce tramite incapsulamento Docker e artefatti tipizzati, consentendo a sistemi sviluppati indipendentemente di collaborare.
Efficienza: L'approccio sintesi-prima, combinato con la riparazione locale limitata, evita il costoso tentativo ed errore della ricerca globale e la comunicazione ridondante dei sistemi basati sul dibattito, portando a costi inferiori e a un adattamento più rapido a istanze specifiche del problema.
Utilità Scientifica: Il lavoro suggerisce che il progresso negli agenti scientifici dipende non solo dalla creazione di agenti individuali più potenti, ma dallo sviluppo di metodi per organizzare, comporre e adattare agenti eterogenei in sistemi collaborativi affidabili. AGENTCO-OP fornisce una via pratica verso un ecosistema riutilizzabile in cui l'esperienza esistente può essere composta e verificata per affrontare sfide complesse di scoperta cross-dominio.

Gli autori riconoscono le limitazioni, inclusa l'attuale focalizzazione su casi di studio a dominio singolo, la dipendenza dalla qualità delle risorse disponibili e il fatto che la riparazione locale non garantisca l'ottimalità globale. Tuttavia, sostengono che questo paradigma offra un'alternativa robusta alla progettazione basata sulla ricerca per applicazioni scientifiche del mondo reale.