arXiv · 14.06.2026 ·Оркестрация ИИ-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.

Компиляционные методы особенно ценны благодаря своей модульности и адаптивности. Они позволяют гибко настраивать решения для нестандартных задач, что критично для разработки ИИ-агентов. Например, в сценариях, где агенты могут иметь разные цели или ограничения, традиционные алгоритмы часто оказываются неэффективными.

Авторы предлагают новый алгоритм, который учитывает не только физические столкновения, но и логические конфликты между агентами. Это особенно важно для систем, где агенты должны координировать свои действия в динамической среде. Например, в логистических системах или робототехнических кластерах.

Для разработчиков ИИ-агентов, таких как Jarv, этот подход может стать основой для создания более гибких и адаптивных систем оркестрации. Возможность учитывать разнообразные требования и ограничения агентов открывает новые горизонты для применения в реальных сценариях.

Источник: arXiv

Похожие материалы

arXiv · Многозадачные ИИ-агенты Новый метод для координации агентов с разными целями Исследователи из MIT и Университета Карнеги-Меллона представили новый подход к обучению ИИ-агентов в условиях многозадачности и конфликтов целей. В статье на arXiv они описывают Preference Coordinated Multi-agent Policy Optimization (PCMA) — метод, который позволяет агентам координировать свои действия даже при наличии противоречивых целей и различий в наблюдениях и ролях. arXiv · Алгебра разложения и ИИ-агенты Исследование: как ИИ-агенты решают сложные задачи через разложение Учёные из MIT и других ведущих университетов представили исследование, посвящённое структурным принципам организации ИИ-агентов для решения сложных задач. В работе вводится концепция «алгебры разложения», которая описывает, как из ненадёжных базовых компонентов можно создать надёжные системы. Hacker News · Разработка ИИ-агентов Agents as Code подход к созданию ИИ-агентов В статье на Destiner.io представлен подход «Agents as Code», который предлагает рассматривать ИИ-агентов как программный код. Авторы утверждают, что такой подход позволяет стандартизировать и упростить процесс разработки, тестирования и развертывания агентов. Это особенно важно для создания сложных систем, где требуется высокая степень автоматизации и масштабируемости. Hacker News · Масштабируемость ИИ-агентов Почему ИИ-агенты не масштабируются и как это исправить Разработчики ИИ-агентов часто сталкиваются с проблемой масштабируемости. В новой статье на blog.r-lopes.com объясняется, что это не проблема искусственного интеллекта, а инженерная задача. Автор подчеркивает, что ключевые сложности связаны с архитектурой, инфраструктурой и управлением ресурсами, а не с ограничениями моделей ИИ. Hugging Face - Blog · AI-агенты и логика Почему масштабируемая корпоративная ИИ-адоптация требует агентной логики Исследователи из IBM Research в своем новом блоге на Hugging Face подчеркивают, что для успешного внедрения ИИ в корпоративные процессы недостаточно только языковых моделей (LLMs). Ключевым элементом становится агентная логика, которая позволяет моделям выполнять сложные задачи, требующие последовательных действий и взаимодействия с внешними системами. arXiv · Рекурсивные агенты и оркестрация Recursive Agent Harnesses: рекурсия как ключ к масштабируемым агентам Исследователи из Arxiv представили концепцию Recursive Agent Harnesses (RAH), объединяющую два ключевых подхода к построению ИИ-агентов: рекурсивные языковые модели (RLMs) и динамические workflows от Anthropic. В основе RAH лежит идея использования рекурсии для вызова подагентов, что позволяет эффективно решать задачи, требующие длительного контекста и сложного рассуждения. arXiv · Оркестрация знаний для ИИ-агентов Agents-K1: новый подход к оркестрации научных знаний для ИИ-агентов Исследователи из MIT и других ведущих университетов представили Agents-K1 — фреймворк, направленный на улучшение научной оркестрации знаний для ИИ-агентов. В отличие от существующих решений, которые часто ограничиваются поверхностным анализом научных работ, Agents-K1 фокусируется на ключевых сущностях, утверждениях, доказательствах, механизмах и методологических линиях, что критически важно для научного мышления. arXiv · Коммуникация между агентами Новый метод коммуникации между гетерогенными ИИ-агентами Исследователи из MIT и Google Research предложили новый подход к коммуникации между ИИ-агентами, который может значительно улучшить эффективность и точность взаимодействия между разными моделями. В статье, опубликованной на arXiv, авторы описывают метод, позволяющий агентам обмениваться информацией через плотные латентные представления, что исключает необходимость кодирования и декодирования текста, что, в свою очередь, снижает затраты и потери информации. arXiv · Оценка ИИ-агентов AgentBeats: новый подход к оценке ИИ-агентов Исследователи из Arxiv предложили новый подход к оценке ИИ-агентов, который решает проблему фрагментированности тестирования. В статье "AgentBeats: Agentifying Agent Assessment for Openness, Standardization, and Reproducibility" авторы отмечают, что существующие бенчмарки часто зависят от фиксированных, ориентированных на LLM, тестовых фреймворков. Это создает несоответствие между тестовыми и производственными условиями, а также ограничивает справедливое сравнение различных архитектур агентов. Hacker News · AI-агенты и память Исследование: случайный прорыв в памяти ИИ-агентов Исследователи из Coder Company случайно достигли нового уровня в области памяти ИИ-агентов, используя подход, основанный на AI-компаньонах. В ходе эксперимента они обнаружили, что агенты, взаимодействующие друг с другом, способны сохранять и использовать информацию более эффективно, чем традиционные методы.

← Все материалы