arXiv · 06.07.2026 ·Оркестрация агентов

OptiAgent: мультиагентная система для автоматизации математического моделирования

Исследователи представили OptiAgent — фреймворк, преобразующий текстовое описание задач исследования операций в готовые математические модели и исполняемый код. Система использует мультиагентную архитектуру с итеративным уточнением, где специализированные агенты последовательно выделяют переменные и ограничения, минимизируя ошибки при формализации сложных бизнес-задач и оптимизационных процессов.

В основе подхода лежит разделение процесса на этапы: извлечение структуры, построение математической формулировки и генерация кода для солверов. Такой подход позволяет системе самостоятельно проверять корректность модели на каждом шаге. В отличие от стандартных LLM, которые часто совершают логические ошибки при построении уравнений, OptiAgent фокусируется на строгом соблюдении математических правил и синтаксиса целевых библиотек.

Архитектура системы поддерживает цикл самокоррекции, что критически важно для задач линейного и целочисленного программирования. Агенты обмениваются данными о найденных несоответствиях, что позволяет уточнять модель до тех пор, пока она не станет пригодной для запуска в профессиональных решателях (солверах). Это решение упрощает интеграцию сложных алгоритмов оптимизации в прикладные ИИ-системы.

Ключевые факты

OptiAgent автоматизирует перевод естественного языка в математические модели для задач исследования операций.
Архитектура включает специализированных агентов для выделения переменных, ограничений и целевых функций.
Система поддерживает итеративный процесс самокоррекции для повышения точности формулировок.
Решение выдает готовый к исполнению код, совместимый с современными математическими солверами.

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 · Оркестрация агентов ManimAgent: самообучающиеся агенты для визуализации научных данных Исследователи представили ManimAgent — фреймворк для создания мультимодальных агентов, способных к накоплению опыта между задачами. В отличие от стандартных LLM-решений, которые сбрасывают контекст после завершения эпизода, данная система использует механизм саморефлексии для извлечения уроков из ошибок при генерации кода на библиотеке Manim, что позволяет агенту постепенно совершенствовать навыки визуализации сложных научных концепций. arXiv · Исследования и наука EurekAgent: как ИИ-агенты автоматизируют научные открытия Исследователи из MIT и других ведущих университетов представили EurekAgent — фреймворк, который демонстрирует, как LLM-основанные агенты могут автоматизировать научные открытия. В статье, опубликованной на arXiv, авторы показывают, что при наличии оптимизируемого метрика и подходящей среды выполнения, агенты способны предлагать, проверять и итерировать научные решения, превосходя человеческие подходы. Hacker News · Инфраструктура для агентов Оптимизация стоимости и безопасности в агентных рабочих процессах Разработан новый подход к проектированию агентных систем, направленный на снижение затрат на инференс и повышение предсказуемости поведения моделей. Основная идея заключается в переходе от использования тяжелых LLM для выполнения всех этапов задачи к многоуровневой архитектуре, где сложные логические операции делегируются специализированным компактным моделям или жестко заданным алгоритмическим модулям. arXiv · Оркестрация агентов Оптимизация планирования задач для автономных лабораторных ИИ-агентов Исследователи представили метод оптимизации распределения ресурсов для автономных лабораторий, управляемых ИИ-агентами. Система решает проблему планирования экспериментов с учетом физических ограничений оборудования, различной пропускной способности инструментов и временных затрат. Подход позволяет значительно повысить эффективность использования лабораторной инфраструктуры, минимизируя простои и максимизируя количество выполняемых операций в рамках одного цикла автоматизации. 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 · Оркестрация агентов Концепция самообучающегося агента на базе моделей мира для написания кода Исследователи представили концепцию агента, способного к самосовершенствованию через построение «модели мира» для генерации и отладки кода. Система использует итеративный цикл, в котором агент не просто пишет программы, но и предсказывает результаты их выполнения, корректируя свои внутренние алгоритмы на основе полученной обратной связи, что позволяет повысить точность решения сложных инженерных задач без участия человека. Microsoft Research · Инфраструктура для агентов SkillOpt: превращение навыков ИИ-агентов в обучаемые параметры Исследователи Microsoft представили SkillOpt — метод оптимизации поведения ИИ-агентов, при котором инструкции (навыки) становятся обучаемыми параметрами. Вместо ручного редактирования промптов система использует процесс обучения для настройки навыков, что повышает надежность выполнения задач без необходимости изменения весов самой базовой модели. Это позволяет агентам адаптироваться к сложным сценариям более эффективно и предсказуемо. Hacker News · Инфраструктура для агентов Microsoft представила SkillOpt для автоматической оптимизации навыков ИИ-агентов Microsoft выпустила SkillOpt — фреймворк для автоматического улучшения навыков ИИ-агентов через итеративное обучение и саморефлексию. Система позволяет агентам самостоятельно анализировать результаты выполнения задач, выявлять пробелы в своих способностях и корректировать стратегии действий без участия человека. Это решение направлено на повышение автономности и эффективности сложных агентных систем в динамических средах. Hacker News · Оркестрация агентов Автоматизация код-ревью через мультиагентный совет моделей Разработчики представили подход к автоматизации проверки кода, использующий «совет» из нескольких специализированных LLM. Вместо одной модели, анализирующей весь пул-реквест, система распределяет задачи между агентами с разными ролями — от поиска багов до проверки соответствия стилю и архитектурным паттернам. Такой подход позволяет снизить количество ложноположительных срабатываний и повысить глубину анализа изменений.

← Все материалы