Мультиагентные системы

Открытый стандарт совместимости ИИ-агентов, обеспечивающий бесшовное взаимодействие между платформами

Стандартизированные механизмы связи для взаимодействия агентов, включая передачу сообщений, модель «издатель-подписчик» и событийно-ориентированные паттерны

Архитектура «оркестратор-исполнитель», в которой ведущий агент координирует специализированных субагентов для параллельного выполнения задач

Несколько агентов прозрачно работают вместе в общем рабочем пространстве с совместной видимостью всей работы

Специализированные агенты обрабатывают задачи в линейном конвейере, где выход каждого агента становится входом следующего

Несколько агентов одновременно работают над одной задачей, обеспечивая разнообразие точек зрения и параллельную вычислительную мощность

Динамическое делегирование, при котором агенты разумно передают управление в зависимости от контекста и специализированных возможностей

Децентрализованное сотрудничество равноправных агентов без центрального управления

Многоуровневая координация агентов с отношениями подчинения, централизованной оркестрацией и делегированием полномочий

Асинхронная система передачи сообщений, обеспечивающая слабосвязанную коммуникацию между ИИ-агентами и сервисами в распределённых агентных системах

Механизмы распределённого согласования для принятия решений в мультиагентных системах

Несколько ИИ-моделей взаимодействуют и обсуждают, чтобы прийти к выводам

Многослойный ансамбль, в котором на каждом слое несколько LLM-агентов-предложителей получают все ответы предыдущего слоя в качестве вспомогательного контекста и итеративно улучшают свои ответы, прежде чем финальный агрегатор сведёт их воедино. Поскольку модели дают более качественные ответы, когда им показывают ответы коллег, стек предложителей с открытым исходным кодом может превзойти одну передовую модель.

Оркестратор управляет командой специализированных агентов с помощью двух реестров: реестра задач, содержащего факты, обоснованные предположения и план, и реестра прогресса, в котором оркестратор на каждом шаге проводит саморефлексию: оценивает, есть ли продвижение, не застряла ли команда и какой агент должен действовать следующим. Когда прогресс останавливается, внешний цикл обновляет факты и пересматривает план. Представлено в Microsoft Magentic-One.

Фреймворк без обучения для задач с длинным контекстом: он разбивает слишком большой ввод на фрагменты, назначает каждый фрагмент рабочему агенту, который читает свой фрагмент вместе с текущей единицей коммуникации, переданной предыдущим рабочим, а затем передаёт итоговую накопленную коммуникацию агенту-менеджеру, формирующему ответ. Такая последовательная цепочка чтения и обобщения смягчает потерю фокуса на длинном контексте и превосходит RAG и базовые модели с полным контекстом.