arXiv · 10.07.2026 ·Оркестрация агентов

Mosaic: фреймворк для ускорения планирования в мультиагентных системах

Исследователи представили Mosaic — фреймворк для оптимизации планирования в мультиагентных системах, работающих в физической среде. Решение устраняет проблему высокой задержки выполнения, вызванную неточными данными о состоянии среды и конфликтами между агентами. Система позволяет значительно сократить количество ошибочных действий, повышая общую эффективность планирования и снижая время отклика при выполнении сложных задач.

Основная проблема существующих решений на базе LLM заключается в неэффективной координации, которая приводит к дублированию команд или возникновению противоречий между участниками группы. В условиях частичной наблюдаемости агенты часто теряют актуальную информацию о текущем состоянии, что провоцирует цепочки неудачных попыток и увеличивает время выполнения операций.

Mosaic внедряет механизм динамического отслеживания состояний и оптимизированный протокол взаимодействия. Это позволяет агентам точнее интерпретировать окружающую обстановку и согласовывать действия в режиме реального времени. В результате система минимизирует количество «холостых» и ошибочных шагов, что критически важно для автономных робототехнических систем и сложных агентных сред, где задержка напрямую влияет на результат.

Ключевые факты

Mosaic решает проблему высокой задержки в мультиагентном планировании, вызванную неточными данными о состоянии среды.
Основным узким местом признаны ошибочные действия агентов, возникающие из-за частичной наблюдаемости и конфликтов при координации.
Фреймворк оптимизирует процесс принятия решений, исключая избыточные и противоречивые команды в ходе выполнения задач.
Разработка ориентирована на повышение производительности LLM-агентов в физических (embodied) сценариях.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Оркестрация агентов Новый подход к созданию омнимадальных агентов для автономной работы в физическом мире Исследователи представили архитектуру для создания омнимадальных агентов, способных объединять работу с цифровыми инструментами и физическое взаимодействие с окружением. Система решает проблему фрагментации навыков, интегрируя планирование на базе VLM с механизмами автономного восстановления после сбоев, что критически важно для долгосрочной работы агентов в неструктурированных бытовых и производственных условиях без постоянного вмешательства человека. Hacker News · Оркестрация агентов Архитектурные подходы к построению мультиагентных систем для сложных задач Мультиагентные системы (MAS) становятся ключевым подходом для решения задач, требующих декомпозиции и итеративного выполнения. В отличие от монолитных LLM-приложений, MAS распределяют роли между специализированными агентами, что позволяет повысить точность обработки сложных запросов, минимизировать галлюцинации и эффективно управлять контекстным окном за счет разделения ответственности между узлами системы. Hacker News · Оркестрация агентов Latent Collaboration: новый подход к взаимодействию в мультиагентных системах Исследователи представили фреймворк Latent Collaboration, который оптимизирует взаимодействие между ИИ-агентами через скрытые представления, а не только через текстовые промпты. Метод позволяет агентам обмениваться высокоуровневой информацией, что значительно повышает эффективность выполнения сложных задач и снижает количество ошибок при координации действий в динамических средах, где требуется высокая степень согласованности между участниками системы. Hacker News · Оркестрация агентов Mixture of Actors: новый подход к масштабированию агентных систем Концепция Mixture of Actors (MoA) предлагает архитектурное решение для повышения производительности ИИ-агентов через динамическую маршрутизацию задач между специализированными моделями. Вместо использования одной универсальной LLM, система распределяет запросы между пулом агентов, оптимизируя точность ответов и снижая вычислительные затраты за счет выбора наиболее подходящего исполнителя для конкретного типа подзадачи в реальном времени. Hacker News · Инфраструктура для агентов Создание собственного агентного фреймворка без «магии» Разработка кастомного фреймворка для ИИ-агентов позволяет избежать избыточной сложности готовых решений и лучше контролировать логику взаимодействия с LLM. Основной подход заключается в создании прозрачной архитектуры, где управление состоянием, вызов инструментов и обработка контекста реализованы через явные программные интерфейсы, исключающие скрытые процессы и непредсказуемое поведение «черных ящиков». Hacker News · Оркестрация агентов Инструментарий для оркестрации ИИ-агентов с автороутингом и памятью Представлен новый фреймворк для управления ИИ-агентами, который автоматизирует выбор подходящей модели для конкретных задач и обеспечивает долгосрочное хранение контекста. Система позволяет динамически переключаться между различными LLM в зависимости от сложности запроса, оптимизируя баланс между стоимостью инференса и качеством генерации, а также поддерживает структурированную память для сохранения истории взаимодействия. Hacker News · Инфраструктура для агентов Open-source API для асинхронного выполнения агентных задач Разработчики представили open-source API, предназначенное для управления асинхронными задачами в агентных системах. Инструмент позволяет делегировать длительные процессы фоновым воркерам, обеспечивая надежное выполнение сложных цепочек действий без блокировки основного потока приложения. Решение ориентировано на интеграцию в архитектуры, где требуется масштабируемая обработка агентных вызовов и управление состоянием задач в реальном времени. arXiv · Инфраструктура для агентов Cortex: новый фреймворк для управления робототехническими агентами Исследователи представили Cortex — фреймворк для воплощенных ИИ-агентов, решающий проблему выполнения долгосрочных задач в робототехнике. В отличие от стандартных VLA-моделей, ограниченных текущим наблюдением, Cortex использует двунаправленное выравнивание между высокоуровневым планированием и низкоуровневой кинематикой, что позволяет агентам эффективнее справляться со сложными манипуляциями в динамической среде. arXiv · Память и RAG Proactive Memory Agent: решение проблемы забывания в долгосрочных задачах Исследователи представили Proactive Memory Agent — архитектурный подход для ИИ-агентов, работающих над задачами с длинным горизонтом планирования. Метод решает проблему «поведенческого дрейфа», когда критически важная информация теряется в растущем контекстном окне. Система проактивно извлекает и структурирует данные о целях, прошлых попытках и состоянии среды, обеспечивая их доступность в нужный момент принятия решения. Hacker News · Оркестрация агентов Hexo Labs представила протокол для координации научных ИИ-агентов Hexo Labs выпустила Multi Agent Protocol (MAP) — фреймворк, предназначенный для автоматизации научных исследований с помощью сети специализированных ИИ-агентов. Система позволяет распределять задачи между автономными узлами, обеспечивая их взаимодействие для выполнения сложных исследовательских циклов, от постановки гипотез до анализа данных и формирования выводов в рамках единого рабочего процесса.

← Все материалы