Framework-uri multi-agent

Cadrele multi-agent bazate pe LLM — sunt platforme software care permit mai multor agenți AI autonomi, construiți pe baza modelelor lingvistice de mari dimensiuni (LLM), să interacționeze între ei pentru rezolvarea în comun a unor sarcini complexe. În astfel de sisteme, accentul se pune pe diversitatea profilurilor agenților, comunicarea dintre ei și luarea colectivă a deciziilor. Abordarea valorifică „inteligența colectivă" a grupului, în care fiecare agent îndeplinește un rol specializat, iar schimbul de mesaje dintre ei imită colaborarea umană.

Aceasta permite modelarea unor scenarii complexe din lumea reală și rezolvarea unor sarcini ce depășesc capacitățile unui singur agent inteligent. Sistemele multi-agent bazate pe LLM demonstrează deja rezultate pozitive în domenii precum dezvoltarea de software, simulări sociale, jocuri economice și modelarea dezbaterilor politice.

Cadre și abordări cheie

Dezvoltarea sistemelor multi-agent a condus la apariția unui număr de cadre open-source care facilitează crearea și cercetarea acestora.

MetaGPT (2023)

Unul dintre primele cadre open-source, orientat spre colaborarea pe principiul „liniei de asamblare\" (assembly line). MetaGPT introduce în sistem proceduri operaționale standard (SOPs) și atribuie fiecărui agent un anumit rol (de exemplu, manager de produs, inginer, tester). Această abordare permite descompunerea unei sarcini complexe în sub-sarcini, distribuindu-le între agenți specializați, ceea ce reduce haosul și riscul halucinațiilor.

CAMEL (2023)

Cadrul CAMEL (Communicative Agents for \"Mind\" Exploration) este axat pe interacțiunea autonomă a agenților prin dialog. Acesta propune metoda inception prompting pentru coordonarea conversației între agenții LLM, îndreptându-i spre un scop comun. Fiecărui agent i se atribuie un rol și un context, după care agenții comunică în limbaj natural, elaborând treptat o soluție comună. CAMEL s-a dovedit eficient în scenarii ce necesită cooperare fără intervenția directă a omului.

AutoGen (2023)

Un cadru versatil și configurabil de la cercetătorii Microsoft, destinat creării de aplicații complexe bazate pe conversația mai multor LLM. AutoGen permite programarea logicii de interacțiune a agenților atât prin cod, cât și în limbaj natural. Acesta suportă integrarea cu instrumente externe și API, ceea ce îl face potrivit pentru o gamă largă de sarcini — de la dezvoltarea de software până la crearea de sisteme de dialog.

AgentVerse (2023)

O platformă open-source dezvoltată de comunitatea OpenBMB pentru studierea colaborării dinamice și a comportamentului emergent al agenților. AgentVerse oferă două moduri de funcționare:

1. Rezolvarea sarcinilor (task-solving): Mai mulți agenți LLM se unesc într-o echipă pentru a îndeplini o sarcină complexă (de exemplu, dezvoltarea comună de software).
2. Simularea mediului (simulation): Permite utilizatorului să definească un mediu virtual și să observe interacțiunea agenților (de exemplu, simularea unei săli de clasă sau a dilemei prizonierului).

Platforma subliniază importanța unui mediu standardizat și a protocoalelor de comunicare pentru o comunicare gestionabilă.

CrewAI (2024)

Un cadru axat pe integrarea agenților LLM în procese de afaceri și analiza datelor. CrewAI implementează conceptul AI-Based Agents Workflow (AgWf), în care agenții execută pași descriși sub formă de instrucțiuni textuale și pot utiliza instrumente externe (clase/funcții Python). Aceasta permite automatizarea unor scenarii analitice complexe, combinând flexibilitatea LLM cu cod determinist.

LangGraph (2024)

Un cadru experimental care utilizează structuri de tip graf pentru reprezentarea stării și contextului în dialogurile cu LLM. Caracteristica principală a LangGraph este suportul pentru fluxuri de lucru ciclice. Aceasta permite agenților să schimbe date printr-un graf de cunoștințe comun, să caute informații în mod iterativ, să evalueze fiabilitatea acestora și să corecteze răspunsurile, ceea ce este deosebit de util în sarcinile de regăsire a informațiilor (QA) cu o bază de cunoștințe augmentată.

Alte proiecte

O atenție largă au atras și proiectele experimentale AutoGPT și AgentGPT, care au demonstrat potențialul agenților AI complet autonomi, capabili să își stabilească independent obiective, să efectueze căutări web, să execute cod și să gestioneze fișiere. Deși aceste proiecte nu au fost recenzate științific, ele au evidențiat importanța componentelor de planificare, memorie și instrumente pentru construirea unor agenți cu adevărat autonomi.

Aplicații ale sistemelor multi-agent

• Automatizarea dezvoltării de software: Grupuri de agenți LLM acționează în roluri de manager, programator și tester, planificând și realizând în comun proiecte software. Cercetarea ChatDev a arătat că o echipă formată din patru agenți a reușit să creeze o aplicație simplă în câteva minute, purtând un dialog în toate etapele, de la definirea sarcinii până la testare.
• Asistenți inteligenți: Produse corporative precum Microsoft 365 Copilot și IBM Watsonx Orchestrate utilizează mai mulți agenți pentru executarea unor sarcini complexe, în care un agent procesează solicitarea, altul extrage fapte din baza de date, iar al treilea întocmește raportul.
• Cercetare științifică: Agenții sunt utilizați pentru generarea și critica ipotezelor. În abordări de tipul Guided Debate sau Self-Refine, un agent propune o soluție, iar altul o evaluează și o corectează, ajutând la reducerea numărului de erori.
• Modelare socială și lumi virtuale: În proiectul emblematic Generative Agents, zeci de agenți LLM, înzestrați cu personalități și memorie, au simulat viața unui orășel virtual mic, demonstrând interacțiuni sociale plauzibile. Astfel de simulări pot fi aplicate în jocuri (pentru crearea unor NPC realiști), în educație și în științele sociale.

Provocări și perspective

În ciuda succeselor, sistemele multi-agent se confruntă cu o serie de probleme serioase:

• Halucinații și erori în cascadă: O eroare comisă de un agent se poate transmite în lanț celorlalți, care o acceptă ca bază pentru propriul raționament, ducând la distorsionarea activității întregului grup.
• Scalabilitate și consum de resurse: Fiecare agent bazat pe LLM necesită resurse de calcul semnificative. Asigurarea funcționării simultane a zeci de agenți reprezintă o provocare tehnică complexă.
• Coordonare și guvernanță: Odată cu creșterea numărului de agenți, crește și riscul haosului. Sunt necesare mecanisme bine gândite de „orchestrare" pentru gestionarea interacțiunii lor.
• Evaluare și testare: Lipsesc benchmark-uri general acceptate pentru compararea obiectivă a diferitelor cadre multi-agent.

În viitor, se preconizează apariția unor sisteme multimodale mai eficiente și mai sigure, în care agenții vor putea schimba nu doar text, ci și imagini și alte date. Introducerea Reinforcement Learning ar putea instrui grupurile de agenți să se coordoneze mai bine în timp, atingând efectul de „inteligență colectivă\". În definitiv, cadrele multi-agent reprezintă un pas spre crearea unor sisteme AI mai flexibile și mai puternice, în care o multitudine de „minți\" specializate lucrează în comun.

Referințe

• Articol de sinteză: Large Language Model based Multi-Agents (2024)
• Articol de sinteză: LLMs Working in Harmony (2025)

Bibliografie

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for \"Mind\" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Chen, Q. et al. (2024). ChatDev: Communicative Agents for Software Development. arXiv:2307.07924.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Aratchige, R. M.; Ilmini, W. M. K. S. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.