📊 statistics

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

Dit artikel introduceert AgensFlow, een open-source framework dat multi-agent coördinatie behandelt als een online beleidsleerprobleem onder partiële observabiliteit, en aantoont dat geleerd, controleerbaar routeren statische pipelines in complexe workflows overtreft door dynamisch beslissingen te optimaliseren met betrekking tot vaardigheden, rollen, modellen en topologie.

Oorspronkelijke auteurs: Nicole Koenigstein

Gepubliceerd 2026-05-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nicole Koenigstein

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 de manager bent van een drukke, hoog-risico keuken. Je hebt een team van chefs (de agents), een voorraadkast met verschillende ingrediënten en gereedschappen (de skills), en een paar verschillende ovens die op verschillende snelheden en kosten koken (de modellen).

In de oude manier van werken (de statische pijplijn) zou je voor elk gerecht een rigide receptkaart schrijven. "Voor soep gebruik je altijd Chef A, controleer de voorraadkast, en gebruik dan Oven 1." "Voor salade gebruik je altijd Chef B, sla de voorraadkast over, gebruik Oven 2."

Het probleem is dat het echte leven niet zo simpel is. Soms zijn de soepingrediënten raar, of is de oven kapot, of moet je een salade maken die eigenlijk een soeppan vereist. Als je je aan het rigide recept houdt, kun je tijd, geld verspillen of een slechte maaltijd serveren.

AgensFlow is een nieuwe manier om deze keuken te runnen. In plaats van een vast recept, is het een slimme, lerende manager die observeert wat er elke keer gebeurt als je een maaltijd bereidt, en het plan onderweg aanpast.

Hier is hoe het werkt, opgesplitst in eenvoudige concepten:

1. De "Gevouwen Handtekening" (Herkenning van de Situatie)

De manager kijkt niet naar elk detail van elke bestelling (wat overweldigend zou zijn). In plaats daarvan groepeert hij bestellingen in "handtekeningen".

De Analogie: Denk aan een verkeerslichtsysteem. De manager vraagt niet: "Is het een rode Toyota of een blauwe Ford?" Hij vraagt: "Is dit een spitsuur-situatie (hoog risico, snelheid nodig)?" of "Is dit een rustige dinsdag (laag risico, kan voorzichtig zijn)?"
In het paper: Het kijkt naar de taak om te zien of deze dubbelzinnig, risicovol is, of veel bewijs vereist. Het groepeert vergelijkbare taken samen zodat het de beste manier kan leren om met dat type situatie om te gaan, in plaats van elke individuele bestelling te onthouden.

2. De "Overslaan"-knop (Topologie Leren)

In een rigide keuken moet je misschien voor elk gerecht een kom wassen, een ui hakken en een pot roeren, zelfs als het gerecht dat niet nodig heeft.

De Analogie: AgensFlow geeft de manager een "Overslaan"-knop. Als de manager een simpele bestelling ziet (zoals een glas water), leert hij het hakken en het fancy aanrichten over te slaan. Als de bestelling complex is (zoals een 5-gangendiner), leert hij extra stappen toe te voegen, zoals het laten controleren van het werk door twee chefs.
In het paper: Dit heet skip:X. Het systeem leert dat voor bepaalde soorten taken het dure stappen (zoals zoeken op het web of feiten verifiëren) volledig kan overslaan, waardoor tijd en geld worden bespaard zonder het resultaat te bederven.

3. De "Leerlus" (Beleidsgrafiek)

Het systeem gokt niet zomaar; het houdt een scorebord bij.

De Analogie: Stel je voor dat de manager een notitieboekje bijhoudt. Na elke maaltijd beoordeelt een foodcriticus (de Judge) het gerecht. De manager schrijft op: "Toen we een 'Spitsuur'-bestelling hadden, leverde het gebruik van Chef B en het overslaan van de garnering een 9/10 op en kostte minder. Het gebruik van Chef A leverde een 7/10 op maar kostte meer."
In het paper: Dit is de Policy Graph. Het leert een "beleid" (een set regels) voor elke "handtekening" (situatie). Het gebruikt een wiskundige truc genaamd UCB1 om het uitproberen van nieuwe dingen (exploratie) in evenwicht te brengen met het vasthouden aan wat werkt (exploitatie).

4. De "Dubbelcheck" (Beloning Audit)

Een van de grootste problemen met AI is dat de "criticus" bevooroordeeld kan zijn. Misschien houdt de ene criticus van pittig eten, terwijl de andere er een hekel aan heeft.

De Analogie: AgensFlow vraagt niet aan één foodcriticus. Het vraagt drie verschillende critici uit verschillende achtergronden om de maaltijd te beoordelen. Als ze het allemaal eens zijn, vertrouwt de manager de score. Als ze het oneens zijn, weet de manager dat de score wankel is en past hij de regels niet op basis daarvan aan.
In het paper: Dit is de Cross-Judge Audit. Het paper vond dat het vertrouwen op slechts één rechter het systeem kan misleiden tot het denken dat het beter presteert dan het eigenlijk doet. Het gebruik van meerdere rechters geeft een waarheidsgetrouwer beeld van succes.

Wat Vonden Ze?

De onderzoekers testten deze "slimme manager" op twee zeer verschillende soorten taken:

Het oplossen van computer systeemcrashes (Gedistribueerde Systemen).
Het analyseren van beveiligingswaarschuwingen (Security Advisories).

De Resultaten:

Beter in Moeilijke Dingen: De lerende manager was veel beter in complexe taken die coördinatie vereisten (zoals het combineren van informatie uit vele bronnen) dan het rigide recept. Het verbeterde de kwaliteit van het antwoord aanzienlijk voor deze moeilijke taken.
Goed in Simpele Dingen: Voor zeer simpele taken was de lerende manager ongeveer hetzelfde als het rigide recept (het maakte dingen niet slechter, maar het hoefde niet ingewikkeld te zijn).
De "Warm Start"-Truc: Ze probeerden de manager over beveiligingswaarschuwingen te leren met de kennis die hij al had over computer crashes. Het werkte! De manager leerde de nieuwe baan sneller en besteedde minder tijd aan "gokken" (exploratie), zelfs al waren de onderwerpen verschillend.

De Conclusie

AgensFlow bewijst dat voor complexe AI-teams je de regels niet hard moet coderen. In plaats daarvan moet je een systeem bouwen dat kijkt, leert en aanpast. Het behandelt de beslissing "wie doet wat, wanneer, en of we het überhaupt hoeven te doen" als een vaardigheid die geleerd kan worden, in plaats van een vaste instelling.

Meest belangrijk is dat het laat zien dat je voorzichtig moet zijn met hoe je succes meet. Als je "rechter" bevooroordeeld is, zal je "leren" verkeerd zijn. Door de rechters zelf te auditeren, blijft het systeem eerlijk en effectief.

Technische Samenvatting: AgensFlow – Een Substraat voor Coördinatiebeleid voor Multi-Agent Systemen

1. Probleemstelling

Multi-agent systemen (MAS) gebaseerd op Large Language Models (LLM's) staan voor een kritieke bottleneck: de explosie van coördinatiekeuzes die moeilijk a priori vast te stellen zijn. Ontwerpers moeten beslissen welke vaardigheidsprotocollen worden aangeroepen, welke agentrollen subtaken uitvoeren, welke modellen aan specifieke rollen worden gekoppeld, hoe rollen interageren (topologie), en wanneer er gebruik wordt gemaakt van ophaalmechanismen, verificatie, of wanneer stappen volledig worden weggelaten.

Deze keuzes zijn niet onafhankelijk; ze interageren met taakregimes en operationele beperkingen. Bijgevolg bieden statische pijplijnen en eenmalige modelvergelijkingen slechts een beperkt beeld van de ontwerpruimte. Een configuratie die optimaal is voor één taaksignatuur (bijv. feitelijke analyse van één document) kan falen onder een andere (bijv. synthese van meerdere documenten). Het artikel stelt dat de centrale technische uitdaging is verschoven van geïsoleerde agentcapaciteiten naar dynamische coördinatie, waarbij een systeem vereist is dat actief kan leren welke combinatie van vaardigheden, modellen en topologieën het beste werkt voor specifieke taakregimes.

2. Methodologie: AgensFlow Framework

AgensFlow is een open-source framework dat multi-agent orkestratie herformuleert als een online beleidsleerprobleem onder gedeeltelijke waarneembaarheid. In plaats van een pijplijn hard te coderen, behandelt AgensFlow coördinatiebeslissingen als leerbare acties binnen een beleidsgrafiek.

2.1 Kernformulering

Het systeem werkt met een gevouwen taaksignatuur ( $s_t$ ) in plaats van individuele prompts. Deze signatuur is een abstractie afgeleid van:

Regime-label: Bepaald door taakkenmerken (ambiguïteit, risico op tegenstrijdigheid, beschikbaarheid van bewijs).
Overdrachtmasker: Binaire staat van de velden doel, deelvraag, bewijs, kritiek, verificatie en antwoord.
Geloofsschattingen: Heuristische continue schattingen van correctheid, onzekerheid, risico op tegenstrijdigheid en toereikendheid van bewijs.

Bij elke routeringsstap selecteert het beleid een actie uit een wettelijke set $A(s_t)$ :

Invoke(k, m): Voer een specifiek vaardigheidsprotocol $k$ uit dat gebonden is aan een model $m$ .
skip:X: Laat een geplande cel uit de trajectlijn weg (bijv. het overslaan van ophalen of een redundante solver).
Terminate: Impliciet geactiveerd door uitputting van het budget of governance-regels.

2.2 Leermechanisme

Het framework leert een beleidsgrafiek die is gekoppeld aan gevouwen signatuur.

Actieselectie: Gebruikt een betrouwbaarheidsbewust UCB1-variant dat het gemiddelde beloning, exploratie (afgekoeld over bezoeken) en een straf voor falen in evenwicht brengt.
$score(s, a) = \bar{r}(s, a) + c_s \sqrt{\frac{\log(N_s + 1)}{N_{s,a}}} - \lambda f(s, a)$
Beloningssignaal: Een hybride beloning samengesteld uit:
- RelativeJudge Kwaliteit ( $Q$ ): Een relatieve score die trajecten vergelijkt met peers van dezelfde klasse met behulp van een expliciete rubriek (doelbereiking, gronding, coördinatie, herstel).
- Operationele straffen: Genormaliseerde tokenkosten en straffen voor opnieuw proberen/falen.
Controleerbaarheid: Het beloningssignaal is geen black box; het ondersteunt kruisgemiddelde van beoordelaars (met meerdere LLM-families) en decompositie per as om bias te detecteren.

2.3 Architecturale Lagen

AgensFlow is gestructureerd in zes afhankelijkheidslagen:

Laag 0: Webzoek-wrappers.
Laag 1: Schema, regimes en vaardigheidsregister.
Laag 2: Agenten, transport en tracing.
Laag 3: Beleidsgrafiek, router en LangGraph-integratie.
Laag 4: Berekening van beloning en RelativeJudge.
Laag 5: Pre-flight checks, governance en rapportage.

3. Belangrijkste Bijdragen

Coördinatie als Online Beleidsleren: Een formulering van multi-agent orkestratie als een sequentieel besluitvormingsproces onder gedeeltelijke waarneembaarheid, weg van statische pijplijnen.
Inspecteerbare Beleidsgrafiek: Een persistente, controleerbare structuur die registreert welke acties (vaardigheden, modellen, topologieën) zijn geselecteerd voor welke taakregimes, inclusief bezoekcounts, beloningen en faalpercentages.
Topologie als Leerbare Variabele: De introductie van de skip:X-actie, waardoor het beleid kan leren dat bepaalde stappen (zoals ophalen of verificatie) volledig kunnen worden weggelaten voor specifieke taakklassen, in plaats van ze alleen te herschikken.
Controleerbaarheid van Beloningssignalen: De evaluatielaag behandelen als onderdeel van het systeemontwerp, met gebruik van ensemble's van meerdere beoordelaars om ervoor te zorgen dat het leersignaal robuust is tegen bias van model-families.

4. Empirische Resultaten

Het framework werd geëvalueerd op twee corpora van 60 taken: incidenttaken voor gedistribueerde systemen en synthetische beveiligingsadviezen.

4.1 Prestaties versus Baselines

Gelerde Routering versus Vaste Pijplijn: Op het corpus van beveiligingsadviezen presteerde het geleerde beleid (Main arm) significant beter dan een vaste pijplijn-baseline van 7 cellen onder een kruis-familie audit met drie beoordelaars.
- Kwaliteitsstijging: Het geleerde beleid behaalde een RelativeJudge-score van 0,817 versus 0,749 voor de baseline (+0,068).
- Efficiëntie: Deze verbetering ging gepaard met een bescheiden toename van de tokenkosten (+15%), terwijl een "no-skip" leer-variant een tokenkoststraf van +94% opleverde.
Klasse-specifieke Winsten: Verbeteringen waren geconcentreerd in coördinatie-intensieve klassen:
- Cross-document multi-vendor redenering (C3): +0,181
- Cross-vendor paartaken (C8): +0,156
- Correctheid van mitigatie (C7): +0,131
- Procedurele klassen (C1, C6) toonden verwaarloosbare verschillen, aangezien statische pijplijnen daar adequaat presteren.

4.2 Warm-Start Transfer

Een beleidsgrafiek geleerd op taken voor gedistribueerde systemen werd gebruikt om de evaluatie van beveiligingsadviezen warm te starten.

Kostenreductie: Warm-starten verminderde exploratiekosten, met ongeveer 10% minder tokens bij het plateau en ongeveer 21% minder tokens over de volledige run vergeleken met cold-start.
Kwaliteitsbehoud: Hoewel scores van één beoordelaar een grote kwaliteitsvoorsprong suggereerden, onthulde een kruis-familie audit dat de kwaliteitswinst bij het plateau bescheiden was (+0,012), wat bevestigt dat het primaire voordeel van warm-starten verminderde exploratiekosten zijn zonder de uiteindelijke kwaliteit te verslechteren.

4.3 Robuustheid van Beloning

De studie benadrukte dat beloningssignalen gevoelig zijn voor de familie van het beoordelaarsmodel. Een signaal van één beoordelaar overschatte de kwaliteitsvoorsprong van warm-starten vergeleken met een ensemble van drie beoordelaars. Dit valideert de bewering van het artikel dat beloningsauditing een noodzakelijk onderdeel is van het coördinatiesubstraat.

5. Betekenis en Claims

Het artikel stelt dat AgensFlow aantoont dat geleerde, controleerbare routering coördinatie-intensieve multi-agent workflows kan verbeteren ten opzichte van statische bedrading.

Verschuiving van Bottleneck: De centrale bottleneck is niet langer de capaciteit van het basismodel, maar het vermogen van het systeem om een groot, verschuivend coördinatieoppervlak te navigeren (Taak × Vaardigheid × Model × Topologie).
Afwijzing van Intuïtie: Het interactieoppervlak is te groot en te luidruchtig om betrouwbaar te navigeren via ingenieursintuïtie of eenmalige topologiekeuzes.
Controleerbaar Ontwerp: Door coördinatiebeslissingen waarneembaar en leerbaar te maken vanuit herhaalde trajecten, stelt AgensFlow operators in staat om routeringspriors te inspecteren en te verbeteren.
Bescheiden Scope: De auteurs erkennen beperkingen, waarbij zij opmerken dat de huidige evaluatie alleen lineaire topologieën met skip-acties bestrijkt. Parallelle uitvoering, zwerm-stijl coördinatie en hiërarchische decompositie maken deel uit van het ontwerpplein, maar werden in deze experimenten niet getoetst.

Kortom, AgensFlow biedt een substraat waar de "beste" workflow niet vooraf is gedefinieerd, maar dynamisch wordt geleerd en geauditeerd, met optimalisatie voor zowel taakprestaties als operationele beperkingen over diverse regimes.