🤖 AI

TCP-MCP: Landscape-Guided Co-Evolution of Prompts and Communication Topologies for Multi-Agent Systems

Het artikel introduceert TCP-MCP, een co-evolutiekader dat agentprompts en communicatietopologieën gezamenlijk optimaliseert om hoge nauwkeurigheid op complexe benchmarks te bereiken, terwijl de tokenkosten aanzienlijk worden verlaagd in vergelijking met bestaande multi-agent-systemen.

Oorspronkelijke auteurs: Yi Ding, Zijie Xuan, Haowei Zhou, Zhenyu Ju, Xiaoxiao Dong, Jingwen Zhang, Xingyu Zhu, Leixin Sun, Haochi Zhang

Gepubliceerd 2026-05-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yi Ding, Zijie Xuan, Haowei Zhou, Zhenyu Ju, Xiaoxiao Dong, Jingwen Zhang, Xingyu Zhu, Leixin Sun, Haochi Zhang

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 probeert een zeer moeilijk raadsel op te lossen, zoals een complex wiskundig probleem of een lastige raadsel. Je hebt een team van AI-"agenten" (slimme computerprogramma's) om je te helpen.

In het verleden probeerden onderzoekers twee problemen apart op te lossen:

De Instructies (Prompts): Het schrijven van het perfecte regelboek voor elke agent over hoe ze moeten denken.
De Teamstructuur (Topologie): Bepalen wie met wie praat, en in welke volgorde.

De auteurs van dit artikel, TCP-MCP, realiseerden zich dat het apart doen van deze twee dingen vergelijkbaar is met het proberen een motordesign te maken zonder te weten hoe het chassis eruitziet, of vice versa. Als je een briljante instructie geeft aan een agent, maar die agent zit vast in een teamstructuur waar hij nooit de juiste informatie krijgt, zal hij falen. Omgekeerd is een perfecte teamstructuur nutteloos als de agenten niet weten wat ze moeten doen met de informatie die ze ontvangen.

Het Grote Idee: Een "Unificerend Genoom"

De auteurs stellen een nieuwe manier voor om deze teams te bouwen. In plaats van de instructies en de teamstructuur apart te ontwerpen, behandelen ze ze als één pakket: een "unificerend genoom".

Denk eraan als het fokken van honden. Je kiest niet eerst de beste vachtkleur en daarna apart de beste grootte. Je fokt de hele hond, omdat de vacht en de grootte samenwerken. TCP-MCP doet hetzelfde voor AI-teams. Het evolueert de instructies en de teamstructuur tegelijkertijd.

Hoe Het Werkt: Het "Landschap" en de "Kaart"

Het artikel beschrijft een proces genaamd Co-evolutie. Hier is hoe ze het doen, met eenvoudige analogieën:

1. De Initiële Proef (Het Landschaps-Scan)
Voordat ze aan het zware werk beginnen, neemt het systeem een snelle "geurtest" van het probleem. Het bekijkt een paar willekeurige teamopstellingen om te zien hoe "ruig" het terrein is. Is de oplossing makkelijk te vinden, of is het verborgen in een diepe vallei? Dit helpt hen te beslissen hoe ze hun zoektocht moeten beginnen zodat ze niet direct vastlopen.

2. De Evolutie (Het Fokken van Betere Teams)
Het systeem creëert een populatie van verschillende AI-teams. Vervolgens speelt het een spel van "overleven van de fittest" met drie doelen:

Nauwkeurigheid: Hebben ze het raadsel correct opgelost?
Kosten: Hebben ze te veel computer-"tokens" (woorden/energie) gebruikt?
Complexiteit: Is de teamstructuur te rommelig en ingewikkeld?

3. Het "Paarings"-proces (Crossover & Mutatie)
Hier gebeurt de magie. Het systeem neemt twee goede teams en mengt ze:

Structurele Crossover: Stel je voor dat je de "Planningsafdeling" van Team A en de "Controleafdeling" van Team B neemt en ze aan elkaar plakt.
Prompt-Overerving: Wanneer een afdeling naar een nieuw team verhuist, behoudt het zijn originele instructiehandleiding. Omdat het echter nu met andere mensen praat, verandert zijn gedrag natuurlijk om zich aan te passen aan de nieuwe context.
Mutatie: Soms maakt het systeem willekeurige veranderingen, zoals het toevoegen van een nieuwe persoon aan het team, iemand ontslaan, of een instructiehandleiding herschrijven om te zien of het helpt.

4. De Pareto-Front (De "Goudlokje"-Zone)
Het systeem zoekt niet alleen naar het enige "beste" team. Het zoekt naar een Pareto-Front.

Analogie: Stel je voor dat je een auto koopt. Je wilt dat deze snel, goedkoop en veilig is. Meestal kun je niet alle drie hebben. De "Pareto-Front" is de lijst met auto's waarbij je geen betere snelheid kunt krijgen zonder meer geld te betalen, of je kunt niet goedkoper worden zonder veiligheid op te offeren.
TCP-MCP vindt een hele menukaart van deze "Goudlokje"-teams, waardoor je opties krijgt die snelheid, kosten en complexiteit in evenwicht brengen.

Wat Ze Vonden (De Resultaten)

De onderzoekers testten dit op drie beroemde "raadsel"-datasets (MMLU, MMLU-Pro en GSM8K), die algemene kennis, lastige meerkeuzevragen en wiskundeproblemen testen.

Het Verslaan van de Concurrentie: TCP-MCP versloeg andere geautomatiseerde methoden die alleen proberen de teamstructuur te ontwerpen (zoals "G-Designer").
Geld Besparen: In vergelijking met andere hoogpresterende systemen die enorme hoeveelheden computerkracht gebruiken (zoals "LLM-Debate", waar agenten eindeloos discussiëren), behaalde TCP-MCP vergelijkbare of betere nauwkeurigheid terwijl het tot 5,69 keer minder tokens gebruikte. Het is alsof je de prestaties van een Ferrari krijgt met het brandstofverbruik van een Honda.
Taakadaptatie: Het systeem leerde verschillende soorten teams te bouwen voor verschillende problemen.
- Voor Wiskunde bouwde het een strakke, 2-persoonsketen: één persoon analyseert, één persoon berekent.
- Voor Algemene Kennis bouwde het een 3-persoonsauditketen: één controleert feiten, één controleert opties, één lost op.

De Kern

Het artikel beweert dat Multi-Agent Systemen niet alleen gaan over het schrijven van goede prompts of het tekenen van goede diagrammen. Het zijn gekoppelde systemen. Door de instructies en de teamstructuur samen te evolueren, creëert TCP-MCP slimmere, goedkopere en efficiëntere AI-teams die specifiek aanpassen aan de taak bij de hand.

Het gaat er niet om het "perfecte" enkele antwoord te vinden; het gaat om het vinden van het perfecte evenwicht tussen het werk doen, geld besparen en het team simpel houden.

Technische Samenvatting: TCP-MCP

Probleemstelling

Het artikel identificeert een fundamentele beperking in het huidige ontwerp van Multi-Agent Systemen (MAS): de isolatie van prompt-engineering van de optimalisatie van communicatietopologie. Bestaande workflows behandelen agentprompts en communicatiegrafieken vaak als aparte ontwerpelementen. De auteurs betogen echter dat agentgedrag inherent afhankelijk is van de ontvangen informatie (bepaald door de topologie), terwijl de nuttigheid van een communicatiekoppeling afhangt van hoe de ontvangende agent die informatie interpreteert (bepaald door zijn prompt). Deze koppeling suggereert dat het onafhankelijk optimaliseren van prompts en topologieën leidt tot suboptimale systemen, aangezien een prompt die effectief is onder het ene communicatiepatroon, kan falen onder een ander. De kernuitdaging bestaat uit het doorzoeken van een hoogdimensionale, hybride ruimte die discrete structurele beslissingen (topologie) combineert met semantische keuzes (prompts), zonder voortijdig te convergeren of kritieke interacties te missen.

Methodologie: TCP-MCP

De auteurs stellen TCP-MCP (Topology-Coupled Prompting for Multi-Agent Collaborative Problem-Solving) voor, een landschapgeleide co-evolutieframework dat prompts en communicatietopologie behandelt als een uniek "genoom".

1. Unieke Genoomrepresentatie

Een kandidaat-MAS wordt weergegeven als een gerichte graaf $G = (V, E)$ waarbij knopen rol-specifieke agenten zijn. Het systeem wordt gecodeerd als een uniek genoom $M = (G, P)$ , waarbij $P$ knoop-niveau rol-prompt-toewijzingen bevat. Cruciaal worden prompt-sjablonen onafhankelijk van de topologie opgeslagen, maar worden ze tijdens runtime geïnstancieerd op basis van de inkomende buurcontext ( $N^-(v_i; G)$ ). Dit stelt het gedrag van een knoop in staat zich aan te passen aan de graafstructuur, zelfs als het opgeslagen sjabloon onveranderd blijft.

2. Multi-Doeloptimalisatie

Het framework optimaliseert drie concurrerende doelstellingen gelijktijdig:

Taakprestatie ( $A(M)$ ): Nauwkeurigheid op de doeltaak.
Tokenkosten ( $C(M)$ ): Minimalisatie van tokengebruik.
Structurele Complexiteit ( $K(G)$ ): Een functie van het aantal knopen en kanten, logaritmisch bestraft om te voorkomen dat complexiteit de rangschikking domineert.

Het doel is om een Pareto-set van oplossingen te vinden die deze doelstellingen afwegen.

3. Evolutionair Zoekproces

De zoektocht verloopt via drie hoofdfasen:

Initialisatie & Landschapsprobing: Het framework gebruikt Latin Hypercube Sampling (LHS) om een diverse initiële populatie te genereren. Tijdens de initialisatie wordt een scalair voorkeurscore en Fitness Distance Correlation (FDC) berekend om het vroege zoekgedrag te kalibreren, waarbij wordt vastgesteld of kandidaten met een hoge voorkeur in de buurt van de huidige beste zijn geclusterd.
Co-evolutie (Variatie):
- Structurele Crossover: Gebruikt Prompt Minimal Inheritance (PMI). In plaats van prompt-strings te mengen, combineert de operator topologische subgrafieken. Ontvangende knopen behouden hun oorspronkelijke prompts, terwijl getransplanteerde knopen donorprompts erven indien beschikbaar, of lichte standaardwaarden gebruiken. Dit behoudt prompt-stabiliteit terwijl structurele recombinatie mogelijk is.
- Mutatie: Omvat Topologiemutatie (toevoegen/verwijderen van kanten/knopen), Rolmutatie (wijzigen van agentidentiteiten en opnieuw genereren van prompts via een PromptMutator), en Radicale Mutatie (introduceren van grote structurele veranderingen zoals keten-/boom-/ster-topologieën).
Adaptieve Controle & Selectie:
- Omgevingsselectie: Gebruikt beperkte NSGA-II met elitisme. Een dynamische nauwkeurigheidsvloer zorgt ervoor dat kandidaten met lage kosten niet worden geselecteerd als hun nauwkeurigheid te laag is.
- Behoud van Diversiteit: Past op vakken gebaseerde niching toe op tokenkosten en structurele complexiteit om te voorkomen dat er zich ophopingen rond specifieke afwegingspunten vormen.
- Landschapsrespons: In plaats van FDC opnieuw te berekenen, bewaakt het systeem Pareto-diagnostiek over generaties heen (Hypervolume, spacing, frontier-gaps). Een responsindex afgeleid van deze metrieken stuurt adaptieve exploratie aan, waarbij mutatie- en injectiedruk worden verhoogd wanneer de frontier stagneert of de diversiteit afneemt.

Belangrijkste Bijdragen

Probleemformulering: Het artikel formuleert MAS-ontwerp als een gelijktijdig co-evolutieprobleem over een uniek genoom, waarbij de koppeling tussen promptgedrag en communicatietopologie expliciet wordt gemodelleerd.
Praktisch Framework: TCP-MCP introduceert een door het landschap geïnformeerd co-evolutieframework met:
- Een unieke genoomrepresentatie.
- Prompt Minimal Inheritance (PMI) voor structurele crossover.
- Adaptieve controlemechanismen die worden aangestuurd door Pareto-front-diagnostiek in plaats van statische schema's.
Experimentele Validatie: De auteurs tonen aan dat het gezamenlijk evolueren van prompts en topologie superieure resultaten oplevert in vergelijking met geautomatiseerde grafiekgeneratie-baselines en concurrerende resultaten behaalt tegen dure debatstijlsystemen, terwijl duidelijke Pareto-afwegingen worden blootgelegd.

Experimentele Resultaten

Het framework werd geëvalueerd op MMLU, MMLU-Pro en GSM8K met de DeepSeek-V3.2-backbone.

Prestaties: TCP-MCP behaalde 89,96% nauwkeurigheid op MMLU, 82,66% op MMLU-Pro en 96,61% op GSM8K.
Vergelijking:
- Het presteerde beter dan G-Designer (de sterkste geautomatiseerde grafiekgeneratie-baseline) op alle drie de benchmarks.
- In vergelijking met LLM-Debate behaalde TCP-MCP concurrerende nauwkeurigheid (iets lager op MMLU/MMLU-Pro, iets hoger op GSM8K) terwijl het aanzienlijk minder tokens gebruikte (tot 5,69× minder op MMLU-Pro).
- Het presteerde consistent beter dan baselines met vaste topologie (Complete Graaf, Random Graaf) en algemene workflow-frameworks (AutoGen, ChatDev, MetaGPT).
Resilientie: Geëvolueerde structuren toonden overdraagbaarheid tussen datasets (bijvoorbeeld van MMLU naar MMLU-Pro) en backbones (van DeepSeek-V3.2 naar GPT-4), waarbij sterke prestaties werden behouden zonder de zoektocht opnieuw te hoeven uitvoeren.
Ablatiestudies:
- Het verwijderen van structurele crossover veroorzaakte de grootste prestatiedaling, wat het belang benadrukt van het recombineren van prompt-topologiemodules.
- Het verwijderen van mutatie verlaagde de prestaties en verhoogde het tokengebruik, wat aangeeft dat mutatie noodzakelijk is voor exploratie buiten recombinatie om.
- Een sequentiële variant (eerst prompts optimaliseren, daarna topologie) presteerde slechter dan de gelijktijdige co-evolutie-aanpak, wat de noodzaak van gezamenlijke optimalisatie bevestigt.

Betekenis en Beweringen

Het artikel beweert dat het gezamenlijk evolueren van prompts en communicatiestructuur een praktische route biedt naar kostenefficiënt en taakadaptief multi-agent systeemontwerp. De betekenis ligt in het verschuiven van MAS-construktie van een gefragmenteerd proces (afzonderlijke prompt-engineering en topologieontwerp) naar een systeemniveau gekoppeld optimalisatieprobleem.

De auteurs benadrukken dat TCP-MCP niet slechts één "beste" systeem vindt, maar een Pareto-set van ontwerpen ontdekt, waardoor practitioners operationele punten kunnen selecteren op basis van specifieke beperkingen met betrekking tot nauwkeurigheid, kosten en complexiteit. De resultaten suggereren dat de "koppeling" van prompt en topologie een kritieke, vaak over het hoofd geziene factor is in MAS-prestaties, en dat het behandelen ervan als een uniek zoekobject robuustere en efficiëntere systemen oplevert dan geïsoleerde optimalisatiestrategieën.

Beperkingen opgemerkt door de auteurs:

De evaluatie is beperkt tot een vaste backbone (DeepSeek-V3.2) en vaste ontwikkelings-subsets.
Geselecteerde operationele punten kunnen meer tokens vereisen dan de absolute laagste-kosten baselines, hoewel ze betere nauwkeurigheids-kostenafwegingen bieden.
Het huidige werk richt zich op statische topologieën die voor de evaluatie worden geselecteerd, waarbij dynamische communicatie en aanpassing op lange horizon voor toekomstig werk worden gelaten.