Bridging Requirements and Architecture: Multi-Agent Orchestration with External Knowledge and Hierarchical Memory
Dit artikel introduceert MAAD, een multi-agent framework dat retrieval-augmented generation en hiërarchisch geheugen benut om autonoom gespecialiseerde agents te orkestreren bij het transformeren van software-eisen naar uitgebreide, kwaliteitsgecontroleerde architecturale ontwerpen, waarbij een superieure volledigheid en modulariteit wordt aangetoond vergeleken met bestaande baselines.
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
Het Grote Probleem: Een Wolkenkrabber Bouwen Zonder Blauwdruk
Stel je voor dat je gevraagd wordt om een enorme, complexe wolkenkrabber te bouwen. Je hebt een lijst met wensen van de klant (de "vereisten"), zoals "het moet aardbevingbestendig zijn", "het moet 500 appartementen hebben" en "de lobby moet indrukwekkend zijn".
In de echte wereld neemt een menselijke Architect deze wensen en tekent gedetailleerde blauwdrukken. Zij beslissen waar de liften komen, hoe de stalen balken verbonden worden en hoe ze veiligheid afwegen tegen kosten. Dit is extreem zwaar werk. Het vereist diepgaande kennis, en als de architect moe wordt of een detail mist, kan het hele gebouw instabiel worden.
Onlangs hebben we deze taak aan AI gegeven (specifiek Large Language Models). Maar de vroege pogingen waren alsof je één enkele AI inhuurde die alles tegelijk probeerde te doen. Die raakte vaak in de war, vergat de wensen van de klant, of tekende blauwdrukken die er op papier goed uitzagen, maar in de praktijk nooit een gebouw zouden kunnen dragen. Het was alsof één persoon tegelijkertijd de constructieleider, de interieurontwerper en de veiligheidsinspecteur probeerde te zijn, waarbij vaak fouten werden gemaakt.
De Oplossing: MAAD (De AI-Bouwploeg)
De auteurs van dit paper creëerden MAAD (Multi-Agent Architecture Design). In plaats van één AI die alles doet, bouwden ze een team van vier gespecialiseerde AI-robots, die elk een specifieke taak hebben en samenwerken als een menselijke bouwploeg.
Zo werkt het team:
De Analist (De Vertaler):
- Taak: Leest de rommelige wensenlijst van de klant en verandert dit in een duidelijke, georganiseerde checklist.
- Analogie: Stel je een vertaler voor die luistert naar een klant die zegt: "Ik wil een huis dat voelt als een kasteel maar werkt op zonne-energie," en schrijft vervolgens een precieze lijst op: "1. Stenen muren, 2. Zonnepanelen op het dak, 3. Geen kelder." De Analist zorgt ervoor dat er niets wordt vergeten.
De Modeller (De Tekenaar):
- Taak: Neemt de checklist en tekent de verschillende weergaven van het gebouw (de plattegrond, de elektrische bedrading, de loodgieterswerkzaamheden).
- Analogie: Dit is de persoon die de "4+1" weergaven tekent. Ze tekenen niet zomaar één plaatje; ze tekenen het beeld voor de elektricien, het beeld voor de loodgieter en het beeld voor de mensen die er gaan wonen, waarbij ze zorgen dat alles met elkaar overeenkomt.
De Designer (De Gids voor de Bouwer):
- Taak: Schrijft de gedetailleerde instructiehandleiding voor de bouwploeg.
- Analogie: Deze agent schrijft het "recept" voor het gebouw. Het zegt precies welke materialen gebruikt moeten worden, hoe de leidingen verbonden worden en hoe de ramen worden vastgezet. Het zorgt ervoor dat de blauwdrukken daadwerkelijk gebouwd kunnen worden.
De Evaluator (De Veiligheidsinspecteur):
- Taak: Dit is de belangrijkste nieuwe toevoeging. De Evaluator controleert voortdurend het werk van de andere drie.
- Analogie: Stel je een strenge veiligheidsinspecteur voor die op elk stadium de bouwplaats controleert. Als de Analist een vereiste is vergeten, zegt de Evaluator: "Hé, je bent de brandtrap vergeten!" Als de Modeller een muur heeft getekend waar een deur zou moeten zitten, zegt de Evaluator: "Los dat op." De Evaluator stuurt het werk terug om het te herstellen totdat het aan alle veiligheidscontroles voldoet.
De Geheime Wapens: De Bibliotheek en Het Geheugen
Om te voorkomen dat dit AI-team feiten verzint (een probleem dat "hallucinatie" wordt genoemd), gebruikt MAAD twee speciale hulpmiddelen:
De Bibliotheek (RAG - Retrieval-Augmented Generation):
- Hoe het werkt: Voordat het team iets tekent, openen ze een digitale bibliotheek met beroemde, bewezen bouwvoorschriften en architecturale regels (zoals ISO-normen).
- Analogie: In plaats van te gokken hoe je een brug bouwt, raadpleegt het team het boek "Best Practices voor Bruggen". Dit zorgt ervoor dat ze de echte wereldregels volgen in plaats van dingen te verzinnen.
Het Geheugensysteem:
- Hoe het werkt: Het team onthoudt wat ze hebben geleerd tijdens eerdere projecten.
- Analogie:
- Werkgeheugen: Zoals een whiteboard in de vergaderruimte waar ze opschrijven wat ze op dit moment aan het doen zijn.
- Episodisch Geheugen: Zoals een dagboek van eerdere projecten. "Vorige keer dat we een school bouwden, vergaten we de gymzaal. Laten we dat deze keer niet vergeten."
- Semantisch Geheugen: Zoals een permanente encyclopedie van architecturale wijsheid die het hele team kan lezen om algemene regels te leren.
Wat ze ontdekten (De Resultaten)
De onderzoekers testten MAAD tegenover een populaire AI-tool genaamd MetaGPT (wat een soort algemene AI-ploeg is die probeert code te schrijven en software te ontwerpen, maar niet gespecialiseerd is in architectuur).
- Betere Blauwdrukken: MAAD produceerde veel completere en beter georganiseerde blauwdrukken. Waar MetaGPT vaak vergat te definiëren hoe onderdelen van het gebouw met elkaar verbonden zijn (zoals het missen van deuropeningen), definieerde MAAD elke verbinding duidelijk.
- Minder Fouten: Dankzij de Evaluator-agent betrapte MAAD zijn eigen fouten en verbeterde deze voordat het proces voltooid was. MetaGPT leverde vaak gewoon een blauwdruk met fouten aan.
- De "Hersenen" Doen Er Toe: De onderzoekers testten MAAD met verschillende "hersenen" (verschillende AI-modellen). Ze ontdekten dat het team alleen goed werkte als de "hersenen" slim genoeg waren.
- Slimme Hersenen (GPT-5.2, Qwen3.5): Deze modellen begrepen de complexe regels en maakten gedetailleerde, professionele blauwdrukken.
- Minder Slimme Hersenen (DeepSeek-R1, Llama3.3): Deze modellen maakten zeer eenvoudige, bijna speelgoedachtige blauwdrukken. Ze misten de complexe details, zelfs met toegang tot dezelfde bibliotheek.
De Kernboodschap
De conclusie van het paper is dat MAAD een krachtig hulpmiddel is, maar geen magische stok die menselijke architecten volledig vervangt.
- Wat het goed doet: Het kan een ruw idee nemen en dit omzetten in een gestructureerde, gedetailleerde en gecontroleerde set blauwdrukken, veel sneller dan een mens die vanaf nul begint. Het doet het zware werk van het organiseren van informatie en het controleren van consistentie.
- Wat het nodig heeft: Er is nog steeds een menselijke architect nodig om het laatste werk te controleren. De AI is geweldig in het volgen van regels en het organiseren van gegevens, maar mensen zijn nog steeds nodig voor de uiteindelijke oordeelsvorming, vooral in lastige situaties waar "onderbuikgevoel" of verborgen ervaring een rol speelt.
Kortom, MAAD is als een zeer bekwame, supergeorganiseerde assistent-architect die nooit moe wordt, altijd de regels controleert en zich elk vorig project herinnert, maar nog steeds een menselijke baas nodig heeft voor de definitieve goedkeuring.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.