💻 computer science

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

AgentCo-op is een op retrieval gebaseerd raamwerk dat interoperabele multi-agent-workflows synthetiseert door herbruikbare tools en agenten te combineren via getypeerde artifact-overdrachten en lokale zelfreparatie, waardoor effectieve collaboratieve ontdekking in open-ended wetenschappelijke domeinen mogelijk wordt gemaakt terwijl het op verschillende benchmarks betere prestaties levert dan de baselines met verminderde kosten.

Oorspronkelijke auteurs: Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Gepubliceerd 2026-05-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

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 voor dat je een complexe machine probeert te bouwen, zoals een high-tech koffiezetapparaat dat ook je post sorteert en je dagboek schrijft. In het verleden zouden onderzoekers om dit met AI te realiseren proberen om het perfecte ontwerp te "zoeken". Ze zouden duizenden verschillende blauwdrukken genereren, deze testen en hopen dat één ervan werkt. Maar dit is als proberen een specifieke naald in een hooiberg te vinden door elke keer dat je kijkt een nieuwe naaifabriek te bouwen. Het is traag, duur en faalt vaak wanneer de taak iets nieuws en rommeligs is, zoals wetenschap in de echte wereld, waar er geen "correcte antwoordensleutel" is om het werk te beoordelen.

AGENTCO-OP is een nieuwe manier om deze AI-teams te bouwen. In plaats van te zoeken naar een nieuw ontwerp vanaf nul, fungeert het als een hoofdaannemer die een magazijn binnenstapt vol met vooraf gebouwde, gespecialiseerde gereedschappen en werknemers, de juiste selecteert en ze aan elkaar klikt tot een werkende machine.

Hier is hoe het werkt, met eenvoudige analogieën:

1. Het "Magazijn" versus de "Zoektocht"

De meeste huidige AI-systemen proberen de beste workflow te zoeken. Stel je voor dat je een taart probeert te bakken door willekeurig ingrediënten te mengen en ze te proeven totdat je het goed hebt.
AGENTCO-OP gebruikt retrieval (terughalen). Stel je voor dat je een chef-kok bent die een taart moet bakken. In plaats van nieuwe recepten te bedenken, ga je naar een goed georganiseerd magazijn (een bibliotheek van vaardigheden en gereedschappen). Je pakt een vooraf gemaakte "mengkwaliteit", een "bakgereedschap" en een "frosting-agent" (glazuur-agent). Je hoeft het wiel niet opnieuw uit te vinden; je assembleert gewoon de onderdelen die je nodig hebt.

2. De "Getypte Overdracht" (Het Veilige Pakket)

Wanneer je een briefje aan een vriend doorgeeft, schrijf je het misschien op een servet. Als de volgende persoon een specifiek formulier nodig heeft, kan het servet verloren gaan of verkeerd worden begrepen.
In AGENTCO-OP plaatst elke keer dat één AI-agent een resultaat aan een andere doorgeeft, de data in een streng gelabelde, beveiligde doos (een "getypt artefact" genoemd).

Voorbeeld: Als Agent A een lijst met genen vindt, schreeuwt hij de lijst niet zomaar naar Agent B. Hij legt de lijst in een doos met het label "Genenlijst: 53 items, geverifieerd". Agent B opent de doos, controleert het label en weet precies wat hij moet doen. Dit voorkomt dat de agents langs elkaar heen praten of in de war raken door rommelige data.

3. De "Lokale Reparatie" (De Snelle Oplossing)

Soms, zelfs met het beste plan, gaat een machine stuk.

Oude manier: Als een onderdeel faalt, stopt de hele fabriek en gaan de ingenieurs terug naar het tekentafel om een volledig nieuwe machine vanaf nul te ontwerpen.
AGENTCO-OP manier: Als een specifiek onderdeel faalt, bekijkt een "Reviewer" (een slimme supervisor) de fout en voert een lokale reparatie uit. Het is als een monteur die een losse bout op de motor ziet en alleen die bout vastdraait, in plaats van de hele auto opnieuw te bouwen. Het systeem repareert alleen het gebroken stuk en gaat door.

4. De "Docker" (De Universele Adapter)

Wetenschappers hebben vaak hun eigen gereedschappen gebouwd in verschillende omgevingen (zoals werkt één gereedschap op een Mac, een ander op een Linux-server). Meestal kunnen ze niet met elkaar communiceren.
AGENTCO-OP wikkelt deze verschillende gereedschappen in Docker-containers. Denk hierbij aan het plaatsen van elk gereedschap in een universeel zeecontainer. Het maakt niet uit wat het gereedschap is of waar het is gebouwd; zodra het in de container zit, kan het naadloos in de workflow worden aangesloten. Dit stelt een "Genen-agent" en een "Weefsel-agent" (die door verschillende mensen op verschillende tijdstippen zijn gebouwd) in staat perfect samen te werken.

Wat hebben ze eigenlijk gedaan?

Het artikel testte dit systeem op twee hoofdmanieren:

A. De "Real World" Wetenschapstests (Open Wereld)
Ze gebruikten geen standaard toetsvragen. Ze gebruikten echte, rommelige wetenschappelijke problemen:

Het Hartonderzoek: Ze verbonden twee aparte AI-agenten (een die hartweefsel bekijkt, een die genen analyseert) om uit te vinden waarom bepaalde hartcellen zich anders gedragen. Het systeem bouwde een workflow om data tussen hen door te geven, en ze identificeerden succesvol een specifiek biologisch patroon.
Het Celonderzoek: Ze combineerden twee verschillende analysemethoden (kijken naar RNA en kijken naar DNA-toegankelijkheid) om betere markers voor celtypen te vinden. Het systeem voerde beide analyses parallel uit, vergeleek de resultaten en produceerde een rapport dat nauwkeuriger was dan het gebruik van één methode alleen.
De "Hergebruik"-test: Ze namen een workflow die door een andere AI al was ontworpen en "repereerden" deze met de methode van AGENTCO-OP, waardoor deze nog beter werd.

B. De Standaardtests (Benchmarks)
Ze testten het systeem ook op standaard wiskunde-, coderings- en vraag-antwoordtests (zoals die worden gebruikt om AI-modellen te beoordelen).

Het Resultaat: AGENTCO-OP scoorde het hoogst op vier van de zes van deze tests.
De Kosten: Het was ook veel goedkoper om uit te voeren. Terwijl andere methoden veel geld uitgaven om het juiste antwoord te "zoeken", assembleerde AGENTCO-OP gewoon de juiste gereedschappen en repareerde kleine fouten terwijl ze optraden, wat aanzienlijk computertijd en geld bespaarde.

De Conclusie

Het artikel beweert dat AGENTCO-OP een slimmere manier is om AI-teams te bouwen voor complexe taken. In plaats van te proberen een perfecte oplossing vanaf nul te "zoeken", haalt het bestaande gereedschappen op, klikt ze samen met strikte regels en repareert kleine fouten onderweg. Dit maakt het beter in het hanteren van wetenschap in de echte wereld waar er geen antwoordensleutels zijn, en het bespaart geld in vergelijking met oudere methoden.

Technische Samenvatting: AGENTCO-OP

Probleemstelling

Het ontwerpen van interoperabele multi-agent workflows is bijzonder uitdagend in open-ended wetenschappelijke domeinen. In tegenstelling tot standaard benchmarks (bijv. vragenbeantwoording, coderen, wiskunde) die verzorgde trainingssets, betrouwbare scalare evaluatiemetrics en gestandaardiseerde interfaces bieden, missen wetenschappelijke taken vaak deze middelen. In domeinen zoals genomica zijn taken open-ended, zijn grondwaarheid-antwoorden vaak dubbelzinnig of niet-bestaand, en berust evaluatie op heterogene tussentijdse bewijslast (bijv. statistische significantie, biologische plausibiliteit) in plaats van op een enkele scalare beloning. Bovendien worden bestaande wetenschappelijke agenten en tools vaak onafhankelijk ontwikkeld met incompatibele omgevingen, interfaces en provenance-statussen. Huidige methoden voor geautomatiseerd workflowontwerp (bijv. ADAS, AFlow, AgentSquare) vertrouwen op het zoeken over kandidaat-topologieën en optimaliseren tegen scalare feedback; een strategie die onpraktisch wordt wanneer representatieve benchmarks en betrouwbare beloningssignalen ontbreken.

Methodologie: AGENTCO-OP

De auteurs stellen AGENTCO-OP voor, een op retrieval gebaseerd syntheseraamwerk dat geautomatiseerd multi-agent workflowontwerp herformuleert als een compositieprobleem in plaats van een globaal zoekprobleem. Het systeem werkt via vijf hoofdfasen:

Planning en Retrieval: Gegeven een taakspecificatie $x = (g, c, r, \Omega)$ (doel, context, beperkingen en middelen), formuleert het systeem een retrievalplan. Het verzamelt relevante artefacten uit verzorgde bibliotheken of door de gebruiker aangeleverde repositories, waaronder referentiedocumentatie, procedurele agentvaardigheden, aanroepbare tools en metadata uit externe GitHub-repositories.
Synthese: AGENTCO-OP synthetiseert een initiële uitvoerbare workflow als een gerichte graaf $G = (V, E)$ $G = (V, E)$ .
- Grafische Representatie: Knopen vertegenwoordigen agenten met toegewezen rollen, die externe agenten kunnen zijn die in Docker-containers zijn verpakt of end-to-end methoden. Randen vertegenwoordigen de stroom van informatie en tussentijdse artefacten.
- Knop-Grounding: Elke knop wordt verankerd met specifieke vaardigheden en tools die uit de bibliotheek zijn opgehaald, gemapt via een functie $\phi$ .
- Interface-uitlijning: Het systeem handhaaft getypeerde artefact-overdrachten. Communicatie tussen agenten wordt beheerst door een protocol $\Pi$ waarbij artefacten (bijv. gevalideerde marker-tabellen, gestructureerde JSON) worden doorgegeven via gestandaardiseerde schema's, wat compatibiliteit tussen heterogene componenten garandeert.
- Containerisatie: Externe repositories en methoden worden verpakt in Docker-containers (volgend op Repo2Run) om omgevingsafhankelijkheden op te lossen en ze te laten fungeren als grafknopen.
Uitvoering: De gesynthetiseerde workflow wordt uitgevoerd. Tijdens deze fase bewaakt het systeem heterogene bewijslast, waaronder uitvoeringstraces, validatiecontroles, toolfouten en kostensignalen.
Evidentie-gestuurde lokale reparatie: Als uitvoeringsbewijslast op mislukking of onzekerheid wijst, triggert een "Reviewer" beperkte lokale reparatie. In plaats van de globale synthese of zoekopdracht te herstarten, raadpleegt het systeem een reeks reparatiebeleid om alleen de betrokken knopen, gekoppelde vaardigheden, tools of communicatieranden te herzien. Dit proces is begrensd door een reparatiebudget of maximaal aantal rondes.
Compositie met zoekgebaseerde workflows: AGENTCO-OP kan ook een bestaande agentgraaf die door een zoekgebaseerde methode (bijv. AFlow) is geproduceerd, invoeren als structurele prior. Het verfijnt vervolgens deze graaf door knopen te verankeren met opgehaalde vaardigheden en lokale reparatie toe te passen, waarmee wordt aangetoond dat synthese en zoekopdracht complementair zijn.

Belangrijkste Bijdragen

Op Retrieval Gebaseerde Synthese Formulering: Het artikel formuleert geautomatiseerd workflowontwerp als een op retrieval gebaseerd syntheseprobleem voor situaties waarin scalare beloningen zwak of niet-bestaand zijn. Het instantieert dit in AGENTCO-OP, dat middelen, vaardigheden, tools en externe agenten dynamisch composit tot uitvoerbare workflows via getypeerde artefact-overdrachten en beperkte lokale reparatie.
Coördinatie van Onafhankelijke Wetenschappelijke Agenten: Het raamwerk demonstreert het vermogen om onafhankelijk ontwikkelde wetenschappelijke agenten en tool-repositories te coördineren in open-world genomica-taken. Gegeven alleen taakspecificaties en GitHub-links, synthetiseert het automatisch interoperabele workflows zonder de onderliggende repositories opnieuw te ontwerpen.
Complementariteit van Synthese en Zoeken: De auteurs tonen aan dat synthese en zoeken complementair zijn door een workflow die door AFlow is gezocht, te importeren en deze te verbeteren via retrieval-grounding en lokale reparatie.
Prestaties en Efficiëntie: Op zes standaard benchmarks (QA, wiskunde, code) bereikt AGENTCO-OP de beste prestaties op vier benchmarks en de beste gemiddelde score onder een verenigde backbone-instelling, terwijl het consistent de tokenkosten per taak verlaagt ten opzichte van multi-agent baselines.

Experimentele Resultaten

Het artikel evalueert AGENTCO-OP in twee regimes:

1. Open-World Wetenschappelijke Casestudies:

Spatiale Transcriptomics Samenwerking: AGENTCO-OP coördineert TissueAgent (spatiale transcriptomics) en GeneAgent (gen-set interpretatie) om een ontwikkelend menselijk hart MERFISH-dataset te analyseren. Het systeem synthetiseert succesvol een seriële workflow waarbij TissueAgent 53 opwaarts gereguleerde marker-genen identificeert, die worden gevalideerd en als een getypeerd artefact worden doorgegeven aan GeneAgent voor interpretatie. De agenten concluderen dat AVN/AV-ring fibroblasten een gespecialiseerde ontwikkelingsstaat vertegenwoordigen.
Cross-Modale Marker Ontdekking: Het systeem componeert Seurat (RNA-seq) en Signac (ATAC-seq) workflows parallel op PBMC multiome-gegevens. Het integreert resultaten van beide modaliteiten en evalueert de kwaliteit van markers tegen CellMarker 2.0 en PanglaoDB. De gecombineerde aanpak levert een hogere macro-precisie en recall op dan elke modaliteit alleen.
Workflow Hergebruik: Door een door AFlow gezochte graaf voor de MBPP-benchmark te importeren en te verfijnen, bereikt het systeem een pass@1-score van 87,5, wat beter presteert dan zowel AFlow alleen (78,2) als AGENTCO-OP van scratch gebouwd (87,1).

2. Standaard Benchmarks:

Geëvalueerd op HotpotQA, DROP, HumanEval, MBPP, GSM8K en MATH met GPT-4o-mini.
AGENTCO-OP behaalt de hoogste scores op vier van de zes benchmarks en de hoogste gemiddelde score.
Kostenanalyse: AGENTCO-OP verlaagt de tokenkosten tijdens de testfase aanzienlijk ten opzichte van op discussie gebaseerde methoden (bijv. LLM-Debate, ReConcile) en zoekgebaseerde methoden (bijv. AFlow), die hoge kosten maken tijdens training/zoekopdracht of herhaalde inter-agent communicatie.

Betekenis en Claims

Het artikel beweert dat op retrieval gebaseerde synthese geautomatiseerd agent workflowontwerp uitbreidt buiten benchmark-geoptimaliseerde agent-graaf naar open-world workflows gebouwd uit bestaande agenten, tools en getypeerde artefacten.

Schaalbaarheid naar Open-Ended Taken: Door af te zien van afhankelijkheid van globale topologie-zoekopdrachten en scalare beloningen, adresseert AGENTCO-OP de bottleneck in wetenschappelijke domeinen waar taken verzorgde benchmarks missen.
Interoperabiliteit: Het raamwerk lost de interoperabiliteitsuitdaging op door vaardigheden te behandelen als getypeerde, testbare eenheden en interface-uitlijning af te dwingen via Docker-verpakking en getypeerde artefacten, waardoor onafhankelijk ontwikkelde systemen kunnen samenwerken.
Efficiëntie: De synthese-eerst aanpak, gecombineerd met beperkte lokale reparatie, vermijdt de dure trial-and-error van globale zoekopdrachten en de redundante communicatie van debat-gebaseerde systemen, wat leidt tot lagere kosten en snellere aanpassing aan specifieke probleeminstanties.
Wetenschappelijke Nut: Het werk suggereert dat vooruitgang in wetenschappelijke agenten niet alleen afhangt van het bouwen van sterkere individuele agenten, maar van het ontwikkelen van methoden om heterogene agenten te organiseren, te compositeren en aan te passen tot betrouwbare collaboratieve systemen. AGENTCO-OP biedt een praktische weg naar een herbruikbaar ecosysteem waar bestaande expertise kan worden samengesteld en geverifieerd om complexe cross-domein ontdekkingsuitdagingen aan te pakken.

De auteurs erkennen beperkingen, waaronder de huidige focus op single-domain casestudies, afhankelijkheid van de kwaliteit van beschikbare middelen, en het feit dat lokale reparatie geen globale optimaliteit garandeert. Ze stellen echter dat dit paradigma een robuust alternatief biedt voor zoekgebaseerd ontwerp voor real-world wetenschappelijke toepassingen.