Jak wybrać tylko potrzebnych agentów AI i nie przepłacać za komunikację

👁 155 przeczytań

Mojtaba Eslami opublikował 24 lipca 2026 roku na arXiv pracę poświęconą problemowi, który pojawia się w każdym systemie złożonym z wielu agentów opartych na dużych modelach językowych: jak zdecydować, które agenty w ogóle uruchamiać i które z nich powinny się ze sobą komunikować? Autor wskazuje dwa dominujące podejścia w obecnych architekturach - albo komunikacja jest ustalona z góry, albo każdy agent nadaje do wszystkich - i ocenia oba jako nieefektywne. Więcej aktywnych agentów i więcej połączeń to wyższy koszt tokenów, większe opóźnienia, nadmiarowość i ryzyko propagacji błędów.

Model jako gra kooperacyjna

Eslami formalizuje problem jako grę kooperacyjną, w której użyteczność koalicji agentów zależy od wykonywanego zadania. Zapisuje ją wzorem: U(C|x) = V(C|x) - suma kosztów aktywacji poszczególnych agentów w koalicji. Kluczowe jest tu rozdzielenie kosztów na poziomie koalicji od kosztów aktywacji pojedynczego agenta. Na tej podstawie proponuje dwa mechanizmy: regułę aktywacji opartą na wartości marginalnej oraz chciwy router. Rozszerza też model o optymalizację samych krawędzi komunikacyjnych - każde połączenie między agentami ma swój koszt.

Wartości Shapleya jako narzędzie prognozowania

Do oceny, czy warto skontaktować się z danym agentem przed wykonaniem zadania lub w jego trakcie, autor wykorzystuje szacowane wartości Shapleya. Wartość Shapleya to pojęcie z teorii gier, które mówi, jaki jest przeciętny wkład danego gracza we wszystkie możliwe koalicje. W tym kontekście pozwala przewidzieć, czy dany agent dołoży coś istotnego do wyniku, zanim faktycznie zostanie uruchomiony.

Gwarancje teoretyczne - z ważnym zastrzeżeniem

Autor dowodzi dwóch ograniczonych gwarancji. Pierwsza to doprecyzowane ograniczenie krzywizny dla monotonicznego przypadku z ograniczeniem na liczność koalicji. Druga to ścisłe przybliżenie 1/2 dla niemonotonicznego przypadku bez ograniczeń, uzyskane metodą podwójnie chciwą, z korektą dla celów ze znakiem. Eslami wprost zastrzega jednak, że żadna z tych gwarancji nie dotyczy bezpośrednio głównego routera - ten pozostaje heurystyką. Dowodzi też tzw. kanapkowego ograniczenia Shapleya-submodularności, które wiąże błąd routingu opartego na wartości marginalnej z miarą malejących zwrotów dla pojedynczego agenta.

Wyniki eksperymentów syntetycznych

W testach przeprowadzonych na danych syntetycznych chciwy router osiągnął 99,5% użyteczności uzyskiwanej metodą brute-force (sprawdzanie wszystkich kombinacji), aktywując średnio 1,96 z 8 dostępnych agentów. Dla porównania pełny broadcast - czyli sytuacja, w której wszyscy agenci komunikują się ze wszystkimi - osiągnął tylko 38,8% optymalnej użyteczności. Autor podaje też warunki, w których wyniki się pogarszają: wydajność spada do 66%, gdy założenia submodularności są silnie naruszone lub gdy szacunki wartości są zaszumione. Wyniki są natomiast odporne na zmiany kosztów aktywacji i wagi nadmiarowości. Praca nie zawiera testów na rzeczywistych wieloagentowych benchmarkach LLM - autor jedynie proponuje taką ewaluację jako kolejny krok.

Czym ta praca nie jest

Eslami odróżnia swoje podejście od trzech podobnych koncepcji: wyceny Shapleya (Shapley pricing), hedonicznego formowania koalicji oraz przycinania grafu komunikacyjnego. Szczegółowego wyjaśnienia różnic tekst abstraktu nie zawiera - autor sygnalizuje jedynie, że rozróżnienie to jest istotne.

Co z tego wynika

Moim zdaniem ta praca jest interesująca przede wszystkim jako formalizacja problemu, który w praktyce rozwiązuje się dziś głównie ad hoc. Wynik 99,5% optymalnej użyteczności przy aktywacji mniej niż dwóch z ośmiu agentów brzmi zachęcająco, ale pochodzi wyłącznie z danych syntetycznych - a autor sam przyznaje, że przy naruszeniu submodularności wynik spada do 66%. Brakuje mi testów na prawdziwych systemach wieloagentowych, co znacznie ogranicza praktyczne wnioski, które można wyciągnąć na tym etapie. Praca jest dziełem jednego autora i na razie to preprint, więc traktuję ją jako ciekawy punkt wyjścia do dyskusji, nie gotowe rozwiązanie.

Źródło: arXiv cs.AI: Dynamic Coalition Formation and Communication Pricing in Skill-Based Agentic AI Systems (dokument z 2026-08-11). To omówienie powstało na podstawie pełnego tekstu dokumentu, nie relacji innych mediów.

// czytaj dalejCompoWorld: jak automatycznie generować środowiska treningowe dla agentów AINewsyZłośliwe wtyczki do agentów AI wykradały dane logowania - 1,7 mln pobrańNewsySearchAuditor: jak wykrywać błędy agentów przeszukujących siećNewsy