Проблема масштабируемости Multi-Agent систем
Современные агентные системы на базе LLM часто сталкиваются с неэффективностью коммуникации. Стандартные подходы либо фиксируют связи заранее, либо используют полное вещание (broadcast), что приводит к росту стоимости токенов, задержек и распространению ошибок. Автор предлагает модель кооперативной игры, где полезность коалиции $U(C|x)$ разделяется на уровень задачи и стоимость активации отдельных агентов.
Методология: Шепли и жадный роутер
В основе метода лежит использование оценочных значений Шепли для предсказания ценности контакта с агентом до и во время выполнения задачи. Предложен «жадный роутер» (greedy router), который оптимизирует ребра коммуникации с учетом per-edge затрат. Теоретически доказаны границы аппроксимации: $1/2$-приближение для немоноотонных случаев через double greedy и улучшенные границы для монотонных задач.
Ключевые метрики эффективности
В синтетических экспериментах предложенный метод демонстрирует выдающиеся результаты по соотношению полезности и ресурсов. Алгоритм активирует в среднем только 1.96 агента из 8 доступных, что радикально снижает нагрузку.
| Метрика | Предложенный метод (Greedy Router) | Полное вещание (Full Broadcast) |
|---|---|---|
| Доля от оптимальной полезности | 99.5% | 38.8% |
| Среднее число активных агентов (из 8) | 1.96 | Информация недостаточна (полная сеть) |
| Устойчивость к шуму оценок | Снижение до 66% при сильных нарушениях | — |
Практическое значение
Результаты показывают, что динамическое формирование коалиций позволяет избежать избыточной коммуникации, сохраняя почти полную оптимальность решения. Это критически важно для коммерческого внедрения Multi-Agent систем, где стоимость токенов и латентность являются главными барьерами. Метод отличается от ценообразования Шепли и прунинга графов, предлагая гибридный подход к управлению ресурсами.
Источник: arXiv cs.AI ↗