🤖 AI

What Should Agents Say? Action-state Communication for Efficient Multi-Agent Systems

Dit artikel introduceert PACT, een geprotocoliseerd actie-toestand communicatiekader dat vrije natuurlijke taaluitwisselingen in multi-agent systemen comprimeert tot compacte records, waardoor het tokengebruik en de inferentiekosten aanzienlijk worden verminderd terwijl de taakprestaties over diverse systeemtopologieën heen gelijk blijven of verbeteren.

Oorspronkelijke auteurs: Chen Huang, Yuhao Wu, Wenxuan Zhang

Gepubliceerd 2026-06-05

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Chen Huang, Yuhao Wu, Wenxuan 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

Het Probleem: De "Over-sharing" Vergadering

Stel je een team van detectives (agents) voor die een mysterie proberen op te lossen. In huidige systemen schrijft elke detective een enorm verslag en plakt dit in een gedeeld notitieboek zodra hij klaar is met zijn werk, zodat de volgende detective het kan lezen.

Dit verslag bevat:

De definitieve conclusie.
De aanwijzingen die ze hebben gevonden.
Maar ook: Elke willekeurige gedachte die ze hadden, elke doodlopende weg die ze verkenden, elke keer dat ze een aanwijzing opnieuw lazen, en een lange, warrige uitleg over hoe ze dachten.

Het Probleem:
Naarmate het onderzoek vordert, wordt dit gedeelde notitieboek enorm groot.

Het is duur: Het lezen van een notitieboek van 100 pagina's kost veel geld (in dit geval "tokens" of rekenkracht).
Het is traag: De volgende detective moet al die ruis lezen voordat hij bij de nieuwe aanwijzingen kan komen.
Het is verwarrend: De belangrijke feiten raken begraven onder pagina's vol "Ik dacht hieraan, en toen dacht ik aan dat."

Het artikel stelt dat we momenteel toestaan dat agents hun privé-denkproces "over-delen", wat het systeem verstopt.

De Oplossing: PACT (De "Executive Summary" Regel)

De auteurs stellen een nieuwe regel voor genaamd PACT (Protocolized Action-state Communication and Transmission).

Beschouw PACT als een strikte regel voor het gedeelde notitieboek van het team: "Geen gebabbel toegestaan."

In plaats van de hele rommelige conceptversie te plakken, moet een agent zijn werk nu vertalen naar een compact "Action-State Record" met drie delen voordat hij het doorgeeft:

ACTION (Actie): Wat heb ik net gedaan? (bijv. "Ik heb de database doorzocht.")
STATE (Toestand): Welk bewijs heb ik gevonden? (bijv. "Ik heb een bonnetje uit 1995 gevonden.")
RESULT (Resultaat): Wat is de nuttige output? (bijv. "Hier is de afbeelding van het bonnetje.")

De Analogie:

De Oude Manier: Detective A geeft Detective B een dagboek van 50 pagina's over zijn hele dag, inclusief wat hij als ontbijt heeft gegeten en elke gedachte die hij had tijdens het wandelen naar de winkel.
De PACT-Manier: Detective A geeft Detective B een briefje met de tekst: "Ik ben naar de winkel gegaan (Actie), heb een bonnetje gevonden voor een blauwe auto (Toestand), en hier is de foto (Resultaat). Controleer nu het auto-register."

Wat Ze Hebben Ontdekt

De onderzoekers hebben dit idee op twee verschillende manieren getest:

Verdeeld Bewijs: Twee agents moesten aanwijzingen delen om een puzzel op te lossen.
Lopende Band: Vier agents werkten in een rij (Planner → Critic → Refiner → Solver).

Ze vergeleken PACT met vijf andere manieren van communiceren (zoals het sturen van de volledige tekst, alleen de conclusie, of een korte samenvatting).

De Resultaten:

Geen "One Size Fits All": Ze ontdekten dat er geen enkele manier van communiceren was die in elke situatie het beste werkte. Soms werkte het sturen van alleen de conclusie goed; soms was het sturen van de volledige tekst prima.
PACT wint: Echter, PACT was de meest consistente winnaar. Het bespaarde een enorme hoeveelheid "geld" (tokens) terwijl het team net zo slim, of zelfs slimmer, bleef.
- In hun tests verminderde PACT de hoeveelheid verzonden data met gemiddeld ongeveer 39%.
- In real-world coding tools (zoals OpenHands en SWE-agent) verlaagde het het dataverbruik met bijna 50% zonder de code te breken.

Waarom Het Werkt

Het artikel legt uit dat de volgende agent in de keten niet hoeft te weten hoe de vorige agent dacht. Ze hoeven alleen te weten:

Welke actie is ondernomen.
Wat de huidige situatie (toestand) is.
Wat het resultaat is.

Door de "interne monoloog" (het privé-denken) weg te filteren en alleen de "publieke feiten" te delen, wordt het systeem sneller, goedkoper en is de kans kleiner dat het geheugen volloopt.

De Kernboodschap

Het artikel concludeert dat we AI-agents niet zomaar in vrije, ongestructureerde paragrafen moeten laten chatten. In plaats daarvan moeten we ze dwingen een strikt "protocol" te volgen waarbij ze alleen de essentiële updates (Actie, Toestand, Resultaat) delen. Dit verandert een chaotische, dure conversatie in een efficiënte, snelle estafette.

Technische Samenvatting: PACT voor Efficiënte Multi-Agent Systemen

Probleemstelling
Multi-agent systemen (MAS) die zijn gebouwd op Large Language Models (LLM's) vertrouwen doorgaans op onbeperkte natuurlijke taal voor communicatie tussen agenten. Hoewel agenten samenwerken via rollen, pipelines of beurtelingschema's, is de inhoud die zij uitwisselen vaak vrij vorm, inclusief volledige redeneertracés, uitgebreide verklaringen en redundante herhalingen. Deze aanpak creëert een kritieke inefficiëntie: naarmate agenten lange interne redeneertracés doorsturen, moeten downstream-agenten deze inhoud herhaaldelijk verwerken als onderdeel van de gedeelde dialooggeschiedenis. Deze "context-stapeling" (context compounding) zorgt voor een snelle inflatie van het tokengebruik, verbruikt gedeelde contextvensters en verslechtert zowel de systeemprestaties als de inferentiekosten, met name in multi-turn settings waarbij moderne redeneermodellen betrokken zijn.

Huidig MAS-onderzoek heeft zich grotendeels gericht op orchestratie (rollen, beurtelingschema's, tool-toewijzing), terwijl de inhoud van de berichten tussen agenten als een secundaire, onbeperkte variabele is behandeld. Het artikel betoogt dat de inhoud van berichten een centrale ontwerpfactor is die zowel de prestaties als de kosten direct vormgeeft.

Methodologie: Diagnostische Analyse en PACT
De auteurs hebben eerst een diagnostische analyse uitgevoerd over twee verschillende MAS-topologieën — een symmetrische Split-Evidence Interactie (Setting A) en een Sequentiële Pipeline (Setting B) — met modellen variërend van 8B tot 32B parameters. Ze evalueerden vijf veelvoorkomende communicatiestrategieën:

Full Content: Het doorsturen van de volledige vrije output, inclusief redeneertracés.
Concise Generation: Het gebruik van native non-thinking modi om kortere reacties te produceren.
Conclusion Only: Alleen de uiteindelijke conclusie of het antwoord doorgeven.
Brief Summary: Expliciet vragen om een korte, vrije samenvatting.
Artifact Only: Alleen het rol-specifieke artefact doorgeven (bijv. een plan of kritiek).

Bevindingen uit de analyse:

Geen enkele strategie is universeel optimaal over alle topologieën heen.
Full Content is consistent duur en redundant.
Concise Generation en Brief Summary zijn instabiel; ze laten vaak relevante informatie weg die downstream-agenten nodig hebben voor de taak.
Conclusion Only werkt in pipelines (waar context wordt geleverd door de volgorde van rollen), maar faalt in interacties waar bewijslast ontbreend is.
Artifact Only vangt nuttige inhoud, maar mist het noodzakelijke protocol om intentie en gronding (grounding) te signaleren, wat soms leidt tot een toename van het aantal interactierondes.

Het PACT-protocol
Gebaseerd op de bevinding dat effectieve berichten actie-gecentreerde informatie moeten bewaren in plaats van private redeneringen, stellen de auteurs PACT (Protocolized Action-state Communication and Transmission) voor.

Kernmechanisme: PACT behandelt communicatie tussen agenten als een publiek state-update probleem. Voordat de ruwe output van een agent ( $y_t$ ) wordt toegevoegd aan de gedeelde geschiedenis, wordt deze door een zender-zijde functie ( $\Pi_{PACT}$ ) geprojecteerd in een compact, gestructureerd record.
Berichtenstructuur: Het publieke bericht bestaat uit drie velden:
1. ACTION: Vermeldt expliciet wat de zender heeft gedaan of wat de volgende agent moet doen (verduidelijkt de intentie).
2. STATE: Legt de bewijslast, observaties of feedback uit de omgeving vast die de actie onderbouwt (biedt context).
3. RESULT: Bevat de actiegerichte output (bijv. een verfijnde oplossing, een opgehaald feit of een tool-resultaat).
Privacygrens: PACT scheidt strikt private berekening van publieke communicatie. Agenten behouden hun volledige interne redenering, zelfcontrole en planningsmogelijkheden; alleen het resulterende actie-state record wordt gedeeld. Dit voorkomt dat tussenliggende deliberatie de contextwindow doet opblazen.
Harness-Agnostisch: Het protocol is orthogonaal aan MAS-ontwerpkwesties (rollen, schema's) en kan worden geïmplementeerd als een lichtgewicht proxy-hook in bestaande systemen zonder modellen opnieuw te trainen.

Belangrijkste Bijdragen

Systematische Analyse: Aangetoond dat geen enkele vaste communicatiepolicy universeel optimaal is en geïdentificeerd dat de inhoud van berichten tussen agenten een onderbelichte maar cruciale ontwerpdimensie is.
PACT-protocol: Geïntroduceerd een training-vrij, harness-agnostisch protocol dat een grens trekt tussen private berekening en publieke communicatie, waarbij de gedeelde geschiedenis wordt beperkt tot compacte actie-state records.
Empirische Validatie: Getoond dat PACT de prestatie-kosten-frontier verbetert in gecontroleerde MAS-settings en real-world coding harnesses.

Experimentele Resultaten

Gecontroleerde MAS-settings:
- Split-Evidence (Setting A): PACT behaalde vergelijkbare of superieure F1-scores terwijl het tokengebruik gemiddeld met 38,7% werd verminderd ten opzichte van baselines en model-schalen vergeleken met onbeperkte communicatie.
- Sequential Pipeline (Setting B): PACT behaalde vergelijkbare of sterkere nauwkeurigheid terwijl het aanzienlijk minder tokens gebruikte. Bijvoorbeeld, op het Qwen3-32B model gebruikte PACT slechts ~19–23% van de tokens die nodig waren door Multi-Agent Debate baselines, terwijl de nauwkeurigheid gelijk bleef of verbeterde.
- Ablatie: Het verwijderen van een van de drie velden (Action, State, Result) degradeerde de prestaties en verhoogde het tokengebruik, wat de noodzaak van de volledige actie-state overdracht bevestigt.
Real-World Coding Harnesses:
- OpenHands: PACT verhoogde de SWE-bench Verified resolve rate van 19,40% naar 23,00% (+18 opgeloste instanties) terwijl de tokens-per-resolved met 10,3% werden verminderd.
- SWE-agent: PACT reduceerde input tokens met 50,4% (van 314,6M naar 156,0M) en tokens-per-resolved met 47%, met een verwaarloosbare impact op de resolve rate (25,6% naar 24,2%).

Betekenis en Claims
Het artikel claimt dat het disciplineren van de inhoud van berichten tussen agenten een effectief mechanisme is om redundante contextgroei te verminderen. PACT demonstreert dat agenten niet hun volledige redeneertracés hoeven te delen om effectief samen te werken; in plaats daarvan is het delen van een gestructureerd, gegrond actie-state record voldoende voor downstream-agenten om de taak voort te zetten.

De auteurs benadrukken dat PACT training-vrij en harness-agnostisch is, wat het een praktische interventie tijdens de inferentie maakt voor bestaande agentische applicaties. De resultaten suggereren dat de "prestatie-kosten-frontier" in MAS aanzienlijk kan worden verbeteren, niet alleen door modellen te schalen of de orchestratie te wijzigen, maar door strikt te definiëren welke informatie in het gedeelde communicatiekanaal terechtkomt. Het artikel concludeert dat het overlaten van communicatie tussen agenten aan onbeperkte natuurlijke taal inefficiënt is en dat gestructureerde protocollen zoals PACT noodzakelijk zijn voor schaalbare, kosteneffectieve multi-agent systemen.