💻 computer science

AgentCo-op: Retrieval-Based Synthesis of Interoperable Multi-Agent Workflows

AgentCo-op é um framework baseado em recuperação que sintetiza fluxos de trabalho multiagentes interoperáveis por meio da composição de ferramentas e agentes reutilizáveis, utilizando transferências de artefatos tipados e autorreparo local, permitindo descoberta colaborativa eficaz em domínios científicos abertos enquanto supera as linhas de base em diversos benchmarks com custos reduzidos.

Autores originais: Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Publicado 2026-05-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando construir uma máquina complexa, como uma cafeteira de alta tecnologia que também organiza seu correio e escreve seu diário diário. No passado, para fazer isso acontecer com IA, os pesquisadores tentavam "procurar" pelo design perfeito. Eles geravam milhares de projetos diferentes, testavam-nos e esperavam que um funcionasse. Mas isso é como tentar encontrar uma agulha específica em um palheiro construindo uma nova fábrica de agulhas cada vez que você olha. É lento, caro e frequentemente falha quando a tarefa é algo novo e desordenado, como a ciência do mundo real, onde não há um "gabarito de respostas" para corrigir o trabalho.

AGENTCO-OP é uma nova maneira de construir essas equipes de IA. Em vez de procurar um novo design do zero, ele age como um contratante mestre que entra em um armazém cheio de ferramentas e trabalhadores especializados pré-construídos, escolhe os corretos e os encaixa em uma máquina funcional.

Veja como funciona, usando analogias simples:

1. O "Armazém" vs. a "Busca"

A maioria dos sistemas de IA atuais tenta procurar o melhor fluxo de trabalho. Imagine tentar assar um bolo misturando ingredientes aleatoriamente e provando-os até acertar.
AGENTCO-OP usa recuperação. Imagine que você é um chef que precisa assar um bolo. Em vez de inventar novas receitas, você vai a um armazém bem organizado (uma biblioteca de habilidades e ferramentas). Você pega uma "habilidade de mistura" pré-fabricada, uma "ferramenta de assar" e um "agente de cobertura". Você não reinventa a roda; apenas monta as partes de que precisa.

2. A "Entrega Tipada" (O Pacote Seguro)

Quando você passa um bilhete para um amigo, pode escrevê-lo em um guardanapo. Se a próxima pessoa precisar de um formulário específico, o guardanapo pode se perder ou ser mal interpretado.
No AGENTCO-OP, toda vez que um agente de IA passa um resultado para outro, ele coloca os dados em uma caixa estritamente rotulada e segura (chamada de "artefato tipado").

Exemplo: Se o Agente A encontra uma lista de genes, ele não apenas grita a lista para o Agente B. Ele coloca a lista em uma caixa rotulada "Lista de Genes: 53 itens, verificados". O Agente B abre a caixa, verifica o rótulo e sabe exatamente o que fazer. Isso impede que os agentes falem um com o outro sem se entender ou fiquem confusos com dados desordenados.

3. O "Reparo Local" (O Conserto Rápido)

Às vezes, mesmo com o melhor plano, uma máquina quebra.

Antiga Maneira: Se uma parte falha, toda a fábrica para e os engenheiros voltam à prancheta para projetar uma máquina totalmente nova do zero.
Maneira AGENTCO-OP: Se uma parte específica falha, um "Revisor" (um supervisor inteligente) analisa o erro e realiza um reparo local. É como um mecânico que vê um parafuso solto no motor e aperta apenas aquele parafuso, em vez de reconstruir todo o carro. O sistema conserta apenas a peça quebrada e continua.

4. O "Docker" (O Adaptador Universal)

Cientistas frequentemente têm suas próprias ferramentas construídas em ambientes diferentes (como uma ferramenta funciona em um Mac, outra em um servidor Linux). Geralmente, elas não conseguem conversar entre si.
O AGENTCO-OP envolve essas diferentes ferramentas em contêineres Docker. Pense nisso como colocar cada ferramenta em um contêiner de envio universal. Não importa qual seja a ferramenta ou onde foi construída, uma vez dentro do contêiner, ela pode ser conectada ao fluxo de trabalho perfeitamente. Isso permite que um "Agente de Genes" e um "Agente de Tecido" (que foram construídos por pessoas diferentes em momentos diferentes) trabalhem juntos perfeitamente.

O Que Eles Realmente Fizeram?

O artigo testou esse sistema de duas maneiras principais:

A. Testes de Ciência do "Mundo Real" (Mundo Aberto)
Eles não usaram perguntas de teste padrão. Usaram problemas científicos reais e desordenados:

O Estudo do Coração: Eles conectaram dois agentes de IA separados (um que examina tecido cardíaco, outro que analisa genes) para descobrir por que certas células cardíacas se comportam de maneira diferente. O sistema construiu um fluxo de trabalho para passar dados entre eles e identificou com sucesso um padrão biológico específico.
O Estudo da Célula: Eles combinaram dois métodos de análise diferentes (observando RNA e observando acessibilidade do DNA) para encontrar melhores marcadores para tipos de células. O sistema executou ambas as análises em paralelo, comparou os resultados e produziu um relatório mais preciso do que usar qualquer um dos métodos isoladamente.
O Teste de "Reutilização": Eles pegaram um fluxo de trabalho que outra IA já havia projetado e "consertaram" usando o método do AGENTCO-OP, tornando-o ainda melhor.

B. Testes Padrão (Benchmarks)
Eles também testaram o sistema em testes padrão de matemática, programação e perguntas e respostas (como os usados para avaliar modelos de IA).

O Resultado: O AGENTCO-OP obteve a maior pontuação em quatro dos seis testes.
O Custo: Também foi muito mais barato de executar. Enquanto outros métodos gastavam muito dinheiro "procurando" pela resposta correta, o AGENTCO-OP apenas montava as ferramentas certas e corrigia pequenos erros conforme ocorriam, economizando uma quantidade significativa de tempo de computador e dinheiro.

A Conclusão

O artigo afirma que o AGENTCO-OP é uma maneira mais inteligente de construir equipes de IA para tarefas complexas. Em vez de tentar "procurar" uma solução perfeita do zero, ele recupera ferramentas existentes, encaixa-as com regras estritas e corrige pequenos erros sob a marcha. Isso o torna melhor em lidar com a ciência do mundo real, onde não há gabaritos, e economiza dinheiro em comparação com métodos mais antigos.

Resumo Técnico: AGENTCO-OP

Declaração do Problema

Projetar fluxos de trabalho interoperáveis de múltiplos agentes é particularmente desafiador em domínios científicos de fim aberto. Diferentemente de benchmarks padrão (por exemplo, QA, codificação, matemática) que oferecem conjuntos de treinamento curados, métricas de avaliação escalar confiáveis e interfaces padronizadas, tarefas científicas frequentemente carecem desses recursos. Em campos como a genômica, as tarefas são de fim aberto, as respostas de verdade fundamental são frequentemente ambíguas ou inexistentes, e a avaliação depende de evidências intermediárias heterogêneas (por exemplo, significância estatística, plausibilidade biológica) em vez de uma única recompensa escalar. Além disso, agentes e ferramentas científicas existentes são frequentemente desenvolvidos independentemente com ambientes, interfaces e estados de proveniência incompatíveis. Os métodos atuais de design automatizado de fluxos de trabalho (por exemplo, ADAS, AFlow, AgentSquare) dependem da busca sobre topologias candidatas e da otimização contra feedback escalar, uma estratégia que se torna impraticável quando benchmarks representativos e sinais de recompensa confiáveis não estão disponíveis.

Metodologia: AGENTCO-OP

Os autores propõem o AGENTCO-OP, um framework de síntese baseado em recuperação que reformula o design automatizado de fluxos de trabalho de múltiplos agentes como um problema de composição em vez de um problema de busca global. O sistema opera através de cinco etapas principais:

Planejamento e Recuperação: Dada uma especificação de tarefa $x = (g, c, r, \Omega)$ (objetivo, contexto, restrições e recursos), o sistema formula um plano de recuperação. Ele reúne artefatos relevantes de bibliotecas curadas ou repositórios fornecidos pelo usuário, incluindo documentação de referência, habilidades procedimentais de agentes, ferramentas chamáveis e metadados de repositórios externos do GitHub.
Síntese: O AGENTCO-OP sintetiza um fluxo de trabalho executável inicial como um grafo direcionado $G = (V, E)$ $G = (V, E)$ .
- Representação do Grafo: Os nós representam agentes com papéis atribuídos, que podem ser agentes externos encapsulados em contêineres Docker ou métodos de ponta a ponta. As arestas representam o fluxo de informações e artefatos intermediários.
- Ancoragem de Nós: Cada nó é ancorado com habilidades e ferramentas específicas recuperadas da biblioteca, mapeadas por meio de uma função $\phi$ .
- Alinhamento de Interface: O sistema impõe transferências de artefatos tipados. A comunicação entre agentes é governada por um protocolo $\Pi$ onde artefatos (por exemplo, tabelas de marcadores validadas, JSON estruturado) são passados através de esquemas padronizados, garantindo compatibilidade entre componentes heterogêneos.
- Conteinerização: Repositórios e métodos externos são encapsulados em contêineres Docker (seguindo o Repo2Run) para resolver dependências de ambiente e permitir que funcionem como nós do grafo.
Execução: O fluxo de trabalho sintetizado é executado. Durante esta fase, o sistema monitora evidências heterogêneas, incluindo rastros de execução, verificações de validação, erros de ferramenta e sinais de custo.
Reparo Local Guiado por Evidência: Se a evidência de execução indicar falha ou incerteza, um "Revisor" dispara um reparo local limitado. Em vez de reiniciar a síntese ou busca global, o sistema consulta um conjunto de políticas de reparo para revisar apenas os nós implicados, habilidades anexadas, ferramentas ou arestas de comunicação. Este processo é limitado por um orçamento de reparo ou número máximo de rodadas.
Composição com Fluxos de Trabalho Baseados em Busca: O AGENTCO-OP também pode ingerir um grafo de agente existente produzido por um método baseado em busca (por exemplo, AFlow) como um prior estrutural. Em seguida, ele refina este grafo ancorando nós com habilidades recuperadas e aplicando reparo local, demonstrando que síntese e busca são complementares.

Contribuições Principais

Formulação de Síntese Baseada em Recuperação: O artigo formula o design automatizado de fluxos de trabalho como um problema de síntese baseado em recuperação para cenários onde recompensas escalares são fracas ou indisponíveis. Ele instancia isso no AGENTCO-OP, que compõe dinamicamente recursos, habilidades, ferramentas e agentes externos em fluxos de trabalho executáveis por meio de transferências de artefatos tipados e reparo local limitado.
Coordenação de Agentes Científicos Independentes: O framework demonstra a capacidade de coordenar agentes científicos e repositórios de ferramentas desenvolvidos independentemente em tarefas de genômica de mundo aberto. Dadas apenas especificações de tarefa e links do GitHub, ele sintetiza automaticamente fluxos de trabalho interoperáveis sem redesenhar os repositórios subjacentes.
Complementaridade de Síntese e Busca: Os autores mostram que síntese e busca são complementares ao importar um fluxo de trabalho buscado pelo AFlow e melhorá-lo por meio de ancoragem de recuperação e reparo local.
Desempenho e Eficiência: Em seis benchmarks padrão (QA, matemática, código), o AGENTCO-OP alcança o melhor desempenho em quatro benchmarks e a melhor pontuação média sob uma configuração de backbone unificada, reduzindo consistentemente os custos de tokens por tarefa em comparação com baselines de múltiplos agentes.

Resultados Experimentais

O artigo avalia o AGENTCO-OP em dois regimes:

1. Estudos de Caso Científicos de Mundo Aberto:

Colaboração em Transcriptômica Espacial: O AGENTCO-OP coordena o TissueAgent (transcriptômica espacial) e o GeneAgent (interpretação de conjuntos de genes) para analisar um conjunto de dados MERFISH de coração humano em desenvolvimento. O sistema sintetiza com sucesso um fluxo de trabalho serial onde o TissueAgent identifica 53 genes marcadores superexpressos, que são validados e passados como um artefato tipado para o GeneAgent para interpretação. Os agentes concluem que os fibroblastos do anel AV/AV representam um estado de desenvolvimento especializado.
Descoberta de Marcadores Cross-Modais: O sistema compõe fluxos de trabalho Seurat (RNA-seq) e Signac (ATAC-seq) em paralelo em dados multiome de PBMC. Ele integra resultados de ambas as modalidades, avaliando a qualidade dos marcadores contra o CellMarker 2.0 e o PanglaoDB. A abordagem combinada produz maior precisão e recall macro do que qualquer modalidade isolada.
Reutilização de Fluxo de Trabalho: Ao importar um grafo buscado pelo AFlow para o benchmark MBPP e refiná-lo, o sistema alcança uma pontuação pass@1 de 87,5, superando tanto o AFlow sozinho (78,2) quanto o AGENTCO-OP construído do zero (87,1).

2. Benchmarks Padrão:

Avaliado em HotpotQA, DROP, HumanEval, MBPP, GSM8K e MATH usando GPT-4o-mini.
O AGENTCO-OP alcança as maiores pontuações em quatro dos seis benchmarks e a maior pontuação média.
Análise de Custo: O AGENTCO-OP reduz significativamente os custos de tokens em tempo de teste em comparação com métodos baseados em discussão (por exemplo, LLM-Debate, ReConcile) e métodos baseados em busca (por exemplo, AFlow), que incorrem em altos custos durante a busca/treinamento ou comunicação inter-agente repetida.

Significado e Alegações

O artigo alega que a síntese baseada em recuperação estende o design automatizado de fluxos de trabalho de agentes além de grafos de agentes otimizados para benchmarks para fluxos de trabalho de mundo aberto construídos a partir de agentes existentes, ferramentas e artefatos tipados.

Escalabilidade para Tarefas de Fim Aberto: Ao evitar a dependência de busca de topologia global e recompensas escalares, o AGENTCO-OP aborda o gargalo em domínios científicos onde as tarefas carecem de benchmarks curados.
Interoperabilidade: O framework resolve o desafio de interoperabilidade tratando habilidades como unidades tipadas e testáveis e impondo alinhamento de interface por meio de encapsulamento Docker e artefatos tipados, permitindo que sistemas desenvolvidos independentemente colaborem.
Eficiência: A abordagem de síntese primeiro, combinada com reparo local limitado, evita o caro tentativa e erro da busca global e a comunicação redundante de sistemas baseados em debate, levando a custos menores e adaptação mais rápida a instâncias específicas de problemas.
Utilidade Científica: O trabalho sugere que o progresso em agentes científicos depende não apenas da construção de agentes individuais mais fortes, mas do desenvolvimento de métodos para organizar, compor e adaptar agentes heterogêneos em sistemas colaborativos confiáveis. O AGENTCO-OP fornece um caminho prático para um ecossistema reutilizável onde a expertise existente pode ser composta e verificada para abordar desafios complexos de descoberta cross-domínio.

Os autores reconhecem limitações, incluindo o foco atual em estudos de caso de domínio único, dependência da qualidade dos recursos disponíveis e o fato de que o reparo local não garante optimalidade global. No entanto, eles postulam que este paradigma oferece uma alternativa robusta ao design baseado em busca para aplicações científicas do mundo real.