Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence
Dit artikel introduceert "Graph Engineering" als een nieuw paradigma voor LLM-agentsystemen dat de beperkingen van individuele intelligentie overwint door expliciete, dynamische grafenstructuren te construeren om meerdere gespecialiseerde agents te organiseren, te coördineren en te laten evolueren tot een coherent systeem dat in staat is complexe, gedeelde doelstellingen te bereiken.
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
In de afgelopen jaren hebben computers geleerd te spreken met een vloeiendheid die ooit onmogelijk leek. Deze grote taalmodellen kunnen verhalen schrijven, wiskundige problemen oplossen en complexe documenten samenvatten. Maar er is een verschil tussen een computer die een vraag kan beantwoorden en een computer die daadwerkelijk een baan kan uitvoeren. Om van antwoorden naar doen te gaan, hebben onderzoekers "agenten" gebouwd. Denk aan een agent als een digitale werker die een probleem kan bekijken, kan beslissen welke hulpmiddelen hij moet gebruiken en vervolgens actie kan ondernemen in de echte wereld, zoals het schrijven van code of het doorzoeken van het internet. Een tijdlang lag de focus op het maken van een enkele, superbekwame werker. Het idee was dat als je één agent slim genoeg maakte en hem genoeg geheugen en hulpmiddelen gaf, hij elke taak kon afhandelen.
Echter, naarmate deze digitale werkers zich begonnen te richten op moeilijkere, echte problemen, ontstond er een nieuw probleem. Sommige banen zijn te groot, te rommelig of te ingewikkeld voor één persoon, zelfs voor een zeer slimme digitale eenheid. Een taak kan een team van specialisten vereisen die tegelijkertijd werken, of het kan iemand vereisen die het werk van een ander controleert. Het kan een verslag nodig hebben van wat er uren geleden gebeurde om te begrijpen wat er nu aan de hand is. Een enkele werker, ongeacht hoe vaardig, raakt overweldigd. Hij probeert alles in één lange gedachtegang te doen, wat ertoe leidt dat hij details uit het oog verliest, stappen door elkaar haalt of niet kan herstellen wanneer er iets misgaat. De vraag werd toen: hoe bewegen we van een enkele briljante werker naar een hele organisatie die samenwerkt?
Een nieuwe enquête door een groot team van onderzoekers stelt een antwoord voor genaamd "Graph Engineering". De onderzoekers betogen dat de volgende stap in kunstmatige intelligentie niet alleen het slimmer maken van individuele agenten is, maar het organiseren van hen in een systeem. Ze suggereren dat de beste manier om een team van digitale werkers te beheren, het in kaart brengen van hun werk via een structuur die lijkt op een kaart van verbindingen, een zogenaamde graaf (graph). In dit systeem is de graaf niet alleen een plaatje; het is het besturingssysteem voor het team. Het tekent expliciet de lijnen tussen wie wat doet, hoe ze met elkaar communiceren en hoe de status van het project wordt opgeslagen en bijgewerkt.
De onderzoekers ontdekten dat het simpelweg toevoegen van meer agenten aan een enkele lus van werk het probleem niet oplost. Als je een team van tien agenten hebt die allemaal alles in één lang gesprek proberen te doen, zullen ze nog steeds in de war raken. In plaats daarvan moet het werk worden onderverdeeld in een duidelijke structuur. De onderzoekers beschrijven drie hoofdonderdelen van deze nieuwe aanpak. Ten eerste is er de organisatie van het werk zelf. In plaats van een vaag doel als "los deze software op", breekt het systeem het doel af in specifieke, kleinere taken en tekent een kaart die laat zien welke taken van elkaar afhankelijk zijn. Dit maakt het mogelijk dat verschillende delen van het werk tegelijkertijd plaatsvinden, in plaats van te wachten in een lange rij.
Ten tweede moet het systeem het team organiseren. In een graafgebaseerd systeem worden verschillende agenten specifieke rollen toegewezen op basis van waar ze goed in zijn. Eén agent kan een expert zijn in het vinden van informatie, terwijl een andere beter is in het schrijven van code, en een derde een beoordelaar is. De graaf fungeerde als de manager, die beslist wie met wie praat en wanneer. Het zorgt ervoor dat de juiste persoon het juiste werk krijgt en dat het werk soepel tussen hen door vloeit. Dit voorkomt de verwarring die optreedt wanneer een enkele agent probeert alle rollen tegelijkertijd te spelen.
Ten derde, en misschien wel het belangrijkste, moet het systeem de status van het werk beheren. In een systeem met een enkele agent kan een fout in een vroeg stadium het hele proces verpesten, omdat de agent precies vergeet waar het misging. In een graafgebaseerd systeem wordt elke stap op een gestructureerde manier geregistreerd. Als er iets misgaat, kan het systeem naar de kaart kijken, exact vinden waar de fout is opgetreden en alleen dat deel repareren zonder het hele project opnieuw te hoeven starten. Het houdt een heldere geschiedenis bij van wat er is gebeurd, wie het deed en wat het resultaat was, waardoor het team snel en nauwkeurig kan herstellen van fouten.
Het artikel beoordeelt veel bestaande projecten om aan te tonen hoe deze aanpak al wordt toegepast. In software engineering worden bijvoorbeeld teams van agenten gebruikt om tegelijkertijd code te schrijven, deze te testen en bugs op te lossen, waarbij een centraal systeem de afhankelijkheden bijhoudt. In wetenschappelijk onderzoek worden agenten georganiseerd om hypothesen te genereren, experimenten uit te voeren en gegevens te analyseren, waarbij het systeem ervoor zorgt dat de resultaten worden geverifieerd en het proces reproduceerbaar is. In de gezondheidszorg helpt de aanpak bij het coördineren van verschillende specialisten om de patiëntenzorg over een langere periode te beheren, waarbij een consistent verslag van beslissingen en uitkomsten wordt bijgehouden.
De onderzoekers merken er voorzichtig bij op dat dit nog een opkomend veld is. Hoewel het idee om deze gestructureerde kaarten te gebruiken om teams te organiseren krachtig is, is het nog geen perfecte oplossing. De systemen die zij hebben beoordeeld tonen veelbelovende resultaten, maar ze vertrouwen vaak nog steeds op mensen om de initiële structuur op te zetten. De uitdaging voor de toekomst is het bouwen van systemen die niet alleen een kaart kunnen volgen, maar ook kunnen leren van hun ervaringen om de kaart zelf opnieuw te tekenen, waardoor ze de manier waarop ze organiseren en samenwerken in de loop van de tijd verbeteren. Het artikel suggereert dat de toekomst van intelligente systemen niet ligt in het creëren van één enkele, goddelijke computer, maar in het bouwen van goed georganiseerde teams waarbij de structuur van het werk even belangrijk is als de intelligentie van de werkers. Door de organisatie van taken, agenten en geheugens te behandelen als een dynamische, evoluerende structuur, kunnen we systemen bouwen die betrouwbaarder, capabeler en beter in staat zijn om de complexe problemen van de echte wereld aan te pakken.
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.