Исследователи выявили критическую проблему в работе мультиагентных систем на базе LLM: модели демонстрируют низкую способность к эффективному исследованию и обмену знаниями при взаимодействии друг с другом. Вместо продуктивной коллаборации агенты часто зацикливаются на ограниченных стратегиях, что препятствует решению сложных задач, требующих глубокого анализа и поиска новых решений в многоагентной среде.
В ходе экспериментов выяснилось, что текущие архитектуры агентов склонны к «эхо-камерам», где модели подтверждают гипотезы друг друга, не подвергая их критической проверке. Это ограничивает их способность к дивергентному мышлению, которое необходимо для поиска оптимальных путей в условиях неопределенности. Проблема усугубляется тем, что агенты не всегда способны адекватно интерпретировать контекст действий своих «коллег», что приводит к деградации общего процесса принятия решений.
Авторы работы подчеркивают, что текущие методы промптинга и настройки агентов не учитывают динамику группового взаимодействия. Для повышения эффективности мультиагентных систем требуется внедрение механизмов, которые поощряют разнообразие стратегий и критический анализ входящей информации от других агентов, а не простое следование заданным алгоритмам коммуникации.
Ключевые факты
- Исследование сфокусировано на неспособности LLM-агентов к эффективному взаимному исследованию пространства решений.
- Выявлена склонность агентов к подтверждению ошибочных гипотез при групповой работе.
- Установлено, что текущие методы оркестрации не обеспечивают достаточного уровня дивергентного мышления в мультиагентных средах.
- Работа указывает на необходимость пересмотра протоколов коммуникации для улучшения качества коллективного интеллекта ИИ.