Multiagent-ramverk

Multiagentramverk baserade på LLM — programvaruplattformar som gör det möjligt för flera autonoma AI-agenter, byggda på stora språkmodeller (LLM), att interagera med varandra för att gemensamt lösa komplexa uppgifter. I sådana system läggs tonvikten på mångfalden av agentprofiler, deras kommunikation och kollektivt beslutsfattande. Ansatsen utnyttjar gruppens "kollektiva intelligens", där varje agent fyller en specialiserad roll och meddelandeutbytet mellan dem efterliknar mänskligt samarbete.

Detta gör det möjligt att modellera komplexa verkliga scenarier och lösa uppgifter som ligger utanför en enskild intelligent agents förmåga. Multiagent-LLM-system har redan visat framgångsrika resultat inom områden som mjukvaruutveckling, sociala simuleringar, ekonomiska spel och modellering av politiska diskussioner.

Viktiga ramverk och ansatser

Utvecklingen av multiagentsystem har lett till framväxten av ett antal öppna ramverk som underlättar skapandet och utforskandet av dem.

MetaGPT (2023)

Ett av de första öppna ramverken, inriktat på samarbete enligt principen "löpande band" (assembly line). MetaGPT inför standardiserade operativa procedurer (SOPs) i systemet och tilldelar varje agent en bestämd roll (till exempel produktchef, ingenjör, testare). Detta tillvägagångssätt gör det möjligt att bryta ned en komplex uppgift i deluppgifter och fördela dem mellan specialiserade agenter, vilket minskar kaos och risken för hallucinationer.

CAMEL (2023)

Ramverket CAMEL (Communicative Agents for "Mind" Exploration) fokuserar på autonom interaktion mellan agenter via dialog. Det erbjuder metoden inception prompting för att koordinera samtal mellan LLM-agenter och leda dem mot ett gemensamt mål. Varje agent tilldelas en roll och ett sammanhang, varefter agenterna kommunicerar på naturligt språk och gradvis utarbetar en gemensam lösning. CAMEL har visat sig effektivt i scenarier som kräver samarbete utan direkt mänsklig inblandning.

AutoGen (2023)

Ett mångsidigt och konfigurerbart ramverk från Microsofts forskare, avsett för att skapa komplexa applikationer baserade på kommunikation mellan flera LLM. AutoGen gör det möjligt att programmera logiken för agentinteraktion både med hjälp av kod och på naturligt språk. Det stöder integration med externa verktyg och API:er, vilket gör det lämpligt för ett brett spektrum av uppgifter — från mjukvaruutveckling till skapande av dialogsystem.

AgentVerse (2023)

En öppen plattform, utvecklad av OpenBMB-gemenskapen för att studera dynamiskt samarbete och emergent beteende hos agenter. AgentVerse erbjuder två driftslägen:

1. Uppgiftslösning (task-solving): Flera LLM-agenter slår sig samman i ett team för att utföra en komplex uppgift (till exempel gemensam mjukvaruutveckling).
2. Miljösimulering (simulation): Låter användaren definiera en virtuell miljö och observera agenternas interaktion (till exempel simulering av ett klassrum eller fångarnas dilemma).

Plattformen betonar vikten av en standardiserad miljö och kommunikationsprotokoll för hanterbar kommunikation.

CrewAI (2024)

Ett ramverk fokuserat på integration av LLM-agenter i affärsprocesser och dataanalys. CrewAI implementerar konceptet AI-Based Agents Workflow (AgWf), där agenter utför steg beskrivna i form av textinstruktioner och kan använda externa verktyg (Python-klasser/funktioner). Detta möjliggör automatisering av komplexa analytiska scenarier genom att kombinera LLM:ernas flexibilitet med deterministisk kod.

LangGraph (2024)

Ett experimentellt ramverk som använder grafstrukturer för att representera tillstånd och sammanhang i dialoger med LLM. Det viktigaste kännetecknet hos LangGraph är stödet för cykliska arbetsflöden. Detta gör det möjligt för agenter att utbyta data via en gemensam kunskapsgraf, iterativt söka information, bedöma dess tillförlitlighet och korrigera svar, vilket är särskilt användbart vid informationssökning (QA) med en utökad kunskapsbas.

Övriga projekt

Bred uppmärksamhet har också väckts av de experimentella projekten AutoGPT och AgentGPT, som demonstrerade potentialen hos helt autonoma AI-agenter som självständigt kan sätta upp mål, utföra webbsökningar, köra kod och hantera filer. Även om dessa projekt inte vetenskapligt granskades, belyste de vikten av komponenter för planering, minne och verktygsanvändning vid byggandet av verkligt självständiga agenter.

Tillämpningar av multiagentsystem

• Automatisering av mjukvaruutveckling: Grupper av LLM-agenter agerar i rollerna som chef, programmerare och testare och planerar och genomför gemensamt programvaruprojekt. Studien ChatDev visade att ett team på fyra agenter på bara några minuter kunde skapa en enkel applikation genom att föra dialog i alla faser från uppgiftsdefinition till testning.
• Intelligenta assistenter: Företagsprodukter som Microsoft 365 Copilot och IBM Watsonx Orchestrate använder flera agenter för att utföra komplexa uppgifter, där en agent behandlar förfrågan, en annan hämtar fakta från databasen och en tredje sammanställer rapporten.
• Vetenskaplig forskning: Agenter används för att generera och kritisera hypoteser. I ansatser som Guided Debate eller Self-Refine föreslår en agent en lösning medan en annan utvärderar och korrigerar den, vilket bidrar till att minska antalet fel.
• Social modellering och virtuella världar: I det banbrytande projektet Generative Agents imiterade dussintals LLM-agenter, utrustade med personligheter och minnen, livet i en liten virtuell stad och uppvisade trovärdigt socialt samspel. Sådana simuleringar kan finna tillämpning i spel (för att skapa realistiska NPC:er), inom utbildning och samhällsvetenskap.

Utmaningar och framtidsutsikter

Trots framgångarna ställs multiagentsystem inför ett antal allvarliga problem:

• Hallucinationer och kaskadfel: Ett fel som begås av en agent kan föras vidare till andra agenter i kedjan, som tar det som grund för sina resonemang, vilket leder till att hela gruppens arbete förvanskas.
• Skalbarhet och resurskrav: Varje LLM-baserad agent kräver betydande beräkningsresurser. Att säkerställa att dussintals agenter arbetar simultant är en komplex teknisk utmaning.
• Koordinering och styrning: I takt med att antalet agenter ökar, ökar risken för kaos. Det krävs välgenomtänkta orkestreringsmekanismer för att hantera deras interaktion.
• Utvärdering och testning: Det saknas allmänt erkända benchmark-tester för objektiv jämförelse av olika multiagentramverk.

I framtiden förväntas mer effektiva och säkra multimodala system uppstå, där agenter kan utbyta inte bara text utan även bilder och andra data. Införandet av Reinforcement Learning kan lära grupper av agenter att koordinera sig bättre över tid och uppnå effekten av "kollektiv intelligens". I slutändan är multiagentramverk ett steg mot skapandet av mer flexibla och kraftfulla AI-system, där många specialiserade "sinnen" arbetar tillsammans.

Källhänvisningar

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

Litteratur

• 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.