arXiv · 26.07.2026 ·Оркестрация агентов

Adaptive Goal-aware Attention: новый подход к оркестрации мультиагентных систем

Исследователи представили метод адаптивной оркестрации внимания для мультиагентных графовых систем. В отличие от стандартных подходов, где ресурсы распределяются равномерно, новая архитектура динамически перенаправляет вычислительные мощности на наиболее критичные узлы графа в зависимости от поставленной цели. Это позволяет значительно повысить эффективность выполнения сложных многошаговых задач и снизить избыточное потребление токенов при работе с LLM.

В современных агентных системах, организованных в виде графов, основной проблемой становится неэффективное распределение внимания между узлами. При масштабировании рабочих процессов стандартные методы оркестрации часто тратят ресурсы на второстепенные задачи, что замедляет итоговый результат. Предложенный алгоритм анализирует структуру графа и текущий контекст задачи, обеспечивая «фокусировку» на узлах, которые вносят наибольший вклад в достижение цели.

Метод позволяет агентам лучше справляться с декомпозицией сложных запросов, минимизируя ошибки при передаче контекста между специализированными модулями. Такая оптимизация особенно важна для систем, где количество взаимодействий между агентами растет экспоненциально, а точность планирования критически зависит от качества обработки промежуточных данных.

Ключевые факты

Разработан механизм адаптивного распределения внимания, привязанный к конкретным целям (Goal-aware Attention).
Система оптимизирует работу графовых мультиагентных структур, снижая вычислительные затраты на нерелевантные узлы.
Метод решает проблему «размытия» контекста при передаче данных между специализированными агентами в сложных рабочих процессах.
Подход демонстрирует повышенную точность выполнения задач в сценариях, требующих глубокой декомпозиции и многоэтапного планирования.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Мультиагентные системы для многокритериальной оптимизации в динамических средах Исследователи представили новый подход к решению задач оптимизации в вычислительных и сетевых системах с помощью мультиагентных систем. Традиционные методы обучения с подкреплением часто сводят сложные задачи к минимизации единого скалярного вознаграждения, используя штрафные коэффициенты для учета ограничений. Однако такой подход оказывается недостаточно гибким в динамических условиях, где требования к производительности и затратам постоянно меняются. arXiv · Машинное обучение Новый метод распознавания целей в мультиагентных системах Исследователи представили новый подход к распознаванию целей в мультиагентных средах, сочетающий обучение с подкреплением и метод ветвей и границ. Алгоритм позволяет эффективно определять состав команд и их намерения на основе анализа траекторий движения, решая проблему комбинаторного взрыва гипотез, характерную для сложных систем с большим количеством участников и динамическими задачами. Hacker News · Память и RAG Proactive Memory: новый подход к управлению памятью для долгосрочных ИИ-агентов Исследователи представили архитектуру Proactive Memory, которая решает проблему забывания контекста в задачах с длинным горизонтом планирования. Система позволяет агентам самостоятельно определять, какую информацию из прошлого необходимо извлечь для текущего шага, снижая зависимость от стандартных методов RAG и повышая точность выполнения многоэтапных инструкций в сложных сценариях взаимодействия. Hacker News · Оркестрация агентов MOD: новый подход к архитектуре агентных систем Разработчики представили архитектуру MOD (Mixture of Depths), которая меняет подход к работе с агентными системами. Вместо параллельного запуска множества агентов, система динамически распределяет вычислительные ресурсы, направляя их только на решение наиболее сложных задач. Это позволяет повысить эффективность инференса и снизить затраты на выполнение агентных цепочек, сохраняя при этом высокую точность ответов. Hacker News · Оркестрация агентов Переход от монолитных ИИ-агентов к композиции специализированных систем Вместо создания одного «раздутого» ИИ-агента, способного решать любые задачи, архитекторы систем переходят к композиции узкоспециализированных агентов. Такой подход позволяет повысить точность ответов, упростить отладку и снизить потребление токенов. Разделение ответственности между агентами, каждый из которых экспертен в своей предметной области, становится новым стандартом проектирования масштабируемых агентных систем. arXiv · Машинное обучение Метод ASALT для адаптивного переноса знаний в мультиагентном обучении с подкреплением Исследователи представили ASALT — новый подход к обучению с подкреплением для нескольких агентов (MARL), решающий проблему переноса знаний между различными средами. В отличие от существующих методов, требующих идентичности размерностей пространств состояний и наблюдений, ASALT позволяет эффективно адаптировать стратегии агентов при изменении конфигурации среды, обеспечивая гибкость в задачах с разным количеством участников или параметрами окружения. arXiv · Оркестрация агентов Метод GBC для оптимизации взаимодействия в мультиагентных системах Исследователи представили метод Gradient-Based Connections (GBC), направленный на решение проблемы координации в мультиагентных системах на базе LLM. В отличие от стандартных подходов с общим фидбеком, GBC позволяет реализовать гранулярное распределение ответственности между агентами. Это повышает эффективность выполнения сложных задач за счет более точной настройки взаимодействия и специализации ролей внутри системы. arXiv · Оркестрация агентов GRADE: система адаптивной маршрутизации для оптимизации мультиагентных систем Исследователи представили GRADE — иерархическую систему, решающую проблему избыточных вычислений в мультиагентных архитектурах. Вместо активации всех доступных моделей, GRADE использует четыре легковесных обучаемых гейта для динамического выбора агентов, определения глубины рассуждений и оценки целесообразности межкомпонентной коммуникации. Это позволяет значительно снизить затраты на инференс при сохранении высокой точности ответов в сложных задачах. Hacker News · Память и RAG Проактивное извлечение памяти для ИИ-агентов вместо статической суммаризации Исследователи представили новый подход к управлению контекстом в ИИ-агентах, который отходит от традиционной статической суммаризации в пользу проактивного извлечения памяти. Метод позволяет агентам динамически формировать релевантные воспоминания на основе текущих задач, значительно повышая точность ответов при работе с длинными историями взаимодействий и сложными многошаговыми процессами, требующими удержания контекста. arXiv · Оркестрация агентов Новый подход к маршрутизации множества ИИ-агентов Исследователи из Университета Карнеги-Меллон представили новую работу, посвящённую компиляционным методам в задачах маршрутизации множества агентов (MAPF). В отличие от классических подходов, где все агенты должны достичь заданных целей без столкновений, авторы рассматривают варианты с разными требованиями к агентам.

← Все материалы