💻 computer science

Scaling Multi-agent Systems: A Smart Middleware for Improving Agent Interactions

Dit artikel introduceert Cognitive Fabric Nodes (CFN), een nieuwe middleware-laag die actief geheugen en versterkend leren benut om topologie, beveiliging en semantische uitlijning in multi-agent systemen dynamisch te optimaliseren, waardoor de prestaties met meer dan 10% worden verbeterd in vergelijking met directe agent-tot-agent communicatie.

Oorspronkelijke auteurs: Charles Fleming, Guillaume De Saint Marc, Ramana Kompella, Peter Bosch, Vijoy Pandey

Gepubliceerd 2026-05-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Charles Fleming, Guillaume De Saint Marc, Ramana Kompella, Peter Bosch, Vijoy Pandey

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een team voor van hoogintelligente maar enigszins verstrooide experts die samen proberen een enorm raadsel op te lossen. Op de huidige manier van werken (genaamd "Directe Agent-tot-Agent Communicatie") schreeuwt Expert A gewoon een vraag naar Expert B. Als Expert B de vraag verkeerd begrijpt, de context vergeet of in de war raakt door een valstrikvraag, faalt het hele team. Ze praten langs elkaar heen, herhalen fouten en discussiëren soms zelfs over feiten die niet bestaan.

Dit artikel stelt een nieuwe "tussenpersoon" voor, de Cognitive Fabric Node (CFN). Denk aan de CFN niet als een simpele postbode die alleen maar brieven bezorgt, maar als een superintelligente, alomtegenwoordige vertaler en projectmanager die tussen elke enkele expert zit.

Hier is hoe het werkt, opgesplitst in eenvoudige concepten:

1. De "Cognitive Fabric" (De Slimme Tussenpersoon)

In plaats van experts direct met elkaar te laten praten, gaat elk bericht dat ze sturen eerst door deze tussenpersoon.

De Oude Manier: Je schreeuwt naar je buurman: "Repareer het lek!" Je buurman weet misschien niet welk pijpje lekt omdat je het niet hebt verteld.
De Nieuwe Manier: Je vertelt de Tussenpersoon: "Repareer het lek." De Tussenpersoon controleert de blauwdrukken (Geheugen), beseft dat je de keukenkraan bedoelt, controleert of je toestemming hebt om de leidingen aan te raken (Veiligheid), en herschrijft je bericht vervolgens naar je buurman als: "Gebruik de moersleutel op het pijpje van de keukenkraan."

2. Vijf Superkrachten van de Tussenpersoon

Het artikel stelt dat deze tussenpersoon vijf specifieke taken heeft, allemaal aangedreven door een "hersenen" die leert van ervaring:

Actief Geheugen (Het Gedeelde Brein):
Meestal slaan computers data op zoals een archiefkast. Dit systeem behandelt geheugen als een levend brein. Het onthoudt wat vijf minuten geleden gebeurde en gebruikt dat om te begrijpen wat er nu gebeurt. Als een expert zegt: "De server ligt plat", maar het geheugen zegt: "De server was twee seconden geleden gerepareerd", stopt de tussenpersoon de expert met het verspreiden van die valse informatie. Het houdt iedereen op dezelfde lijn.
Topologie-selectie (De Slimme Dispatcher):
In plaats dat experts hard-coden met wie ze praten (bijvoorbeeld: "Ik praat altijd met Bob"), schreeuwen ze gewoon hun intentie uit (bijvoorbeeld: "Ik heb iemand nodig die wiskunde kent"). De tussenpersoon kijkt naar het hele team, ziet wie momenteel vrij is en goed is in wiskunde, en routeert de taak daarheen. Het is als een ritdelings-app die de beste chauffeur voor je specifieke rit kiest, in plaats van dat je de naam van elke chauffeur moet weten.
Semantische Gronding (Het Woordenboek & Waarheidscontroleur):
Verschillende experts kunnen verschillende woorden gebruiken voor hetzelfde ding. De ene zegt misschien "Client ID", terwijl de andere "Customer UUID" begrijpt. De tussenpersoon vertaalt deze termen zodat ze overeenkomen. Het fungeert ook als een waarheidsdetector. Als een expert probeert te praten over een bestand dat niet bestaat (een "Spookentiteit"), stopt de tussenpersoon het gesprek voordat iemand tijd verspillen aan het zoeken naar een spookbestand.
Handhaving van Beveiligingsbeleid (De Portier):
Beveiliging gaat niet alleen om het blokkeren van slechte woorden; het gaat om het begrijpen van intentie. De tussenpersoon gebruikt een mix van strikte regels (zoals "Deel nooit sociale zekerheidsnummers") en een geleerd "buikgevoel" (zoals "Deze vraag klinkt als een truc"). Het kan complexe aanvallen opvangen waarbij een kwaadwillende een gevaarlijke vraag splitst in drie onschuldig ogende berichten. De tussenpersoon ziet het hele patroon en stopt de aanval.
Transformatie & Herschrijven (De Redacteur):
Dit is het meest actieve deel. De tussenpersoon neemt een vaag, rommelig of gevaarlijk bericht en herschrijft het tot een perfecte, duidelijke en veilige instructie voordat het de volgende expert bereikt. Het is als een redacteur die een ruwe conceptversie neemt en er een gepolijst artikel van maakt voordat het wordt gepubliceerd.

3. Hoe Het Loopt (De "Coach")

De tussenpersoon is niet statisch; het wordt na verloop van tijd slimmer. Het gebruikt een methode genaamd Versterkend Leren.

Stel je een coach voor die een wedstrijd bekijkt. Als een specifieke manier van passen de bal leidt tot een goal, noteert de coach dat. Als een bepaalde manier van praten leidt tot misverstanden, noteert de coach dat ook.
In dit systeem, als de tussenpersoon een prompt herschrijft en de taak snel wordt opgelost, leert het om dat opnieuw te doen. Als de herschrijving verwarring veroorzaakt, leert het om iets anders te proberen.

4. De Resultaten: Werkt Het?

De onderzoekers testten dit systeem op twee moeilijke vraag-antwoorduitdagingen (HotPotQA en MuSiQue).

De Opzet: Ze gaven een team van AI-agenten een taak waarbij informatie was opgesplitst, waardoor ze gedwongen werden samen te werken.
Het Probleem: Zonder de tussenpersoon daalde de prestatie van het team aanzienlijk omdat ze in de war raakten en de context verloren.
De Oplossing: Toen ze de Cognitive Fabric Node toevoegden, schoot de prestatie van het team weer omhoog.
De Score: Het systeem met de tussenpersoon verbeterde de prestatie met meer dan 10% vergeleken met het team dat direct met elkaar praatte. Het haalde bijna het prestatieniveau van een enkele, perfecte AI die alleen werkt, wat bewijst dat de "tussenpersoon" het communicatiechaos succesvol heeft opgelost.

Samenvatting

Het artikel betoogt dat we niet alleen individuele AI-agenten slimmer moeten maken; we moeten het netwerk waarin ze leven slimmer maken. Door deze "Cognitive Fabric" tussen agenten in te voegen, veranderen we een chaotische groep geïsoleerde denkers in een samenhangend, veilig en efficiënt team dat één bron van waarheid deelt.

Technische Samenvatting: Schalen van Multi-agent Systemen met Cognitive Fabric Nodes

1. Probleemstelling

Naarmate Multi-Agent Systemen (MAS) gebaseerd op Large Language Models (LLM) overgaan van experimentele pilots naar persistente ecosystemen, vertonen directe agent-tot-agent communicatie-architecturen kritieke systemische fragiliteiten. Het huidige "directe-verbinding"-paradigma, waarbij agenten communiceren zonder bemiddeling, lijdt aan:

Gefragmenteerde Context: Agenten kampen met "catastrofaal vergeten" van gedeelde geschiedenis, wat leidt tot losgekoppelde interacties.
Ontologische Drift: Agenten wijken af in hun definities van kernconcepten (bijvoorbeeld het op verschillende manieren definiëren van "Gebruiker"), wat logische mismatches en hallucinaties veroorzaakt.
Inefficiënte Topologie: Starre, statische routingtabellen falen in het aanpassen aan dynamische agentcapaciteiten, belastingen of de toevoeging van nieuwe gespecialiseerde agenten.
Beveiligingskwetsbaarheden: Het aanvalsoppervlak groeit niet-lineair, waardoor "Cascading Trust"-falen mogelijk wordt waarbij een gecompromitteerde perifere agent kwaadaardige context injecteert in bevoorrechte agenten.
Stochastische Coördinatie: De intelligentie van individuele agenten wordt ondermijnd door de "domheid" van de communicatie-infrastructuur, wat resulteert in chaotische interactiegrafieken.

2. Methodologie: De Cognitive Fabric Node (CFN)

Het artikel stelt een fundamentele architecturale verschuiving voor: de introductie van Cognitive Fabric Nodes (CFN), een middleware-laag die een alomvattende "Cognitive Fabric" tussen agenten creëert. In tegenstelling tot traditionele service meshes (zoals Istio) die op pakketniveau opereren, opereert de CFN op semantisch niveau.

Kernarchitectuur

De CFN onderschept, analyseert en herschrijft elk bericht voordat het zijn bestemming bereikt. Het is geen passieve doorgang, maar een actieve, intelligente tussenpersoon. De architectuur vertrouwt op Geheugen als een actief functioneel substraat (een gedeeld "wereldmodel") in plaats van een passief logboek, wat vier andere kritieke capaciteiten mogelijk maakt:

Actief Geheugen: Optimaliseert opslag- en ophaalstrategieën om te onderscheiden tussen vluchtige data en "langetermijnwijsheid", dienend als voorwaarde voor alle cognitieve operaties.
Topologieke Selectie: Koppelt intentie los van implementatie. In plaats van hardgecodeerde adressering, gebruikt de CFN een Contextual Bandit-benadering (via Reinforcement Learning) om taken te routeren naar de optimale agent op basis van historische succes, cognitieve belasting en computatiekosten.
Semantische Gronding: Valideert berichten tegen het gedeelde Geheugen om hallucinaties en ontologische drift te voorkomen. Het voert on-the-fly ontologische vertalingen uit (bijvoorbeeld het mappen van "Client ID" naar "customer uuid") en blokkeert "Ghost Entities" (objecten waarover gesproken wordt maar die niet bestaan in de realiteit).
Handhaving van Beveiligingsbeleid: Implementeert een Zero-Trust Semantische Grens met een Hybrid Guardian-benadering:
- Deterministische Laag: Menselijk gespecificeerde starre regels (bijvoorbeeld PII-redactie, RegEx).
- Probabilistische Laag: Een geleerde Cognitive Engine die Reinforcement Learning from Adversarial Feedback (RLAF) gebruikt om nieuwe jailbreaks, sociale manipulatie en gefragmenteerde aanvallen over berichttrajecten te detecteren.
Transformatie en Herschrijving: De actuatied laag die inputs van de bovenstaande modules synthetiseert om ruwe prompts te herschrijven. Het injecteert context, saniteert beveiligingsrisico's en aligneert terminologie om de waarschijnlijkheid van succesvolle taakvoltooiing door de ontvangende agent te maximaliseren.

Optimalisatie via Cognitive Engines

Elke functie wordt beheerd door een Cognitive Engine die Reinforcement Learning (RL) en heuristische methoden gebruikt. Het systeem minimaliseert "Cognitive Friction" door een verliesfunctie te optimaliseren die beloningen voor taaksucces afweegt tegen computatiekosten (tokengebruik).

Implementatiemodellen

Het artikel schetst drie implementatiepatronen om consistentie en latentie in evenwicht te brengen:

Cognitive Sidecar: Een lichtgewicht CFN die aan elke agent is gekoppeld (lage latentie, hoge resourcekosten, potentiële statische drift).
Cognitive Hub: Een gecentraliseerd cluster van GPU-nodes (sterke consistentie, hoge latentie, enkel punt van falen).
Hybride Hiërarchische Fabric: Het voorgestelde optimale model, dat taken splitst tussen Edge Nodes (eenvoudige routing, PII-maskering) en Core Nodes (complexe herschrijving, langetermijngeheugen).

3. Belangrijkste Bijdragen

Architecturale Formalisering: Het artikel formaliseert de CFN-architectuur en definieert de transformatiefunctie $\Phi$ die ruwe prompts afbeeldt op contextrijke, gegronde en compliant instructies.
Verschuiving van "Slimme Agenten" naar "Cognitieve Netwerken": Het betoogt dat intelligentie in de netwerkinfrastructuur zelf moet worden ingebed, in plaats van uitsluitend te vertrouwen op endpoint-agenten.
Dynamisch Topologiebeheer: Introduceert op vaardigheden gebaseerde routing die dynamisch aanpast aan agentprestaties en belasting, en agenttekorten effectief "patcht" via middleware-herschrijving.
Hybride Beveiligingskader: Stelt een nieuw beveiligingsmodel voor dat deterministisch beleid combineert met probabilistische, geleerde verdedigingen tegen cascading trust-falen en gefragmenteerde aanvallen.
Ontologische Stabiliteit: Demonstreert een mechanisme om "Ontologische Drift" te voorkomen door een gedeeld wereldmodel af te dwingen, zodat alle agenten werken met één bron van waarheid.

4. Experimentele Resultaten

De auteurs evalueerden de CFN-architectuur met behulp van een multi-agent systeem bestaande uit vier gespecialiseerde rollen (Onderzoeker, Analist, Criticus, Synthetiseerder) op de HotPotQA en MuSiQue-datasets. De datasets werden aangepast om een scenario te simuleren waarin agenten slechts gedeeltelijke informatie bezitten en moeten samenwerken.

Basisprestaties: Een standaard multi-agent systeem (met Claude Sonnet 4.6) daalde significant in nauwkeurigheid ten opzichte van een single-agent baseline door communicatiefragmentatie (80,1% op HotPotQA en 72,7% op MuSiQue).
TextGrad Baseline: Een globaal geoptimaliseerde baseline met TextGrad zonder LangMARL credit assignment toonde marginale verbetering.
CFN-LangMARL Prestaties: Het voorgestelde systeem, gebruikmakend van de CFN met LangMARL voor gecentraliseerde training en gedecentraliseerde uitvoering (CTDE), bereikte:
- 91,5% nauwkeurigheid op HotPotQA (herstellend tot binnen <1% van de single-agent baseline).
- 86,1% nauwkeurigheid op MuSiQue.
Conclusie: De CFN verbeterde de prestaties significant met meer dan 10% ten opzichte van directe agent-tot-agent communicatie, en elimineerde effectief de coördinatie-degradatie die typerend is voor onbeheerde MAS.

5. Betekenis en Claims

Het artikel beweert dat de Cognitive Fabric Node een transformatieve stap voorstelt voor Multi-Agent Systemen, en het veld verplaatst van "fragiele, losgekoppelde experimenten" naar "robuste, enterprise-grade ecosystemen".

Oplossen van het Stochastische Coördinatieprobleem: De auteurs stellen dat de CFN de inherente falen van GenAI-systemen (hallucinaties, contextverlies, manipulatie) mitigeert, niet door agenten perfect te maken, maar door de omgeving waarin ze opereren intelligent te maken.
Schalbaarheid: Door geheugen te verheffen tot een actief substraat en RL te gebruiken voor dynamische routing, bereikt het systeem coherentie, veiligheid en semantische alignering op schaal.
Toekomstperspectief: Het artikel positioneert de CFN als het potentiële "zenuwstelsel" voor het door AI aangedreven internet. Het identificeert toekomstige onderzoeksrichtingen, waaronder Fabric-to-Fabric (F2F)-protocollen voor inter-organisationele communicatie, de economie van de fabric (tokenomics), en cognitieve verval-mechanismen om geheugengroei te beheren.

De auteurs houden een bescheiden scope aan, erkennend dat hoewel synchronisatie tussen gedistribueerde nodes een engineeringbeperking is, de primaire bijdrage ligt in de functionele compositie van de node en de emergente eigenschappen van een intelligent netwerk.