マルチエージェントのワークロードが深さと複雑さを増すにつれて、これらのシステムは何をすべきかをどのように決定するかという 1 つの疑問が中心になります。 当社の研究者であるケビン・ロスによる最新のKite AInsightsの記事では、そのプロセスの背後にあるフレームワークを探っています。 タスクがより複雑になり、エージェントがより専門化されるにつれて、計画によって、システムが広範な目標を調整されたアクションに変換できるかどうかが決まります。 問題はもはや「エージェントはタスクを解決できるか」ではありません。 それは「分解し、委任し、効果的に実行できるか」です。 この作業の中核となるのは、次の 3 つの分解原則に基づいたエージェント指向計画 (AOP) です。 ☑️ 解決可能性:各サブタスクは単一のエージェントで処理できます ☑️ 完全性:タスクはユーザーの目標を完全にカバーします ☑️ 非冗長性:重複や無関係な作業はありません メタエージェントは、クエリの解釈、タスクの分散、計画の調整の役割を果たします。 •欠落しているサブタスクまたは冗長なサブタスクをキャッチするための検出器 • サブタスクの解決可能性を評価するための報酬モデル その結果は? AOPは、単一エージェントのベースラインと比較して~10%高い精度を実現し、ナイーブなマルチエージェントセットアップよりも~4%高い精度を実現します。 計画は、マルチエージェントシステムの結合組織になりつつあり、複雑なワークフローをどのように構造化、調整、完了するかを定義します。