Компьютерные науки > Искусственный интеллект [представлен 8 сентября 2026 года] Название: Agent Grad: Быстрое оптимизация с помощью вмешательства для мультиагентных систем Ви (экспериментальный) HTML Резюме: многоагентовые системы, основанные на большой языковой модели (LLM), достигают высоких результатов благодаря использованию специализированного множества агентов, однако их эффективность зависит от оперативной разработки каждого агента. В целях оперативной оптимизации МАС в качестве одной из ведущих парадигм были разработаны текстовые градиентные методы, которые определяют оперативное обновление с использованием естественной обратной связи. В настоящем документе мы выявляем ограничения на двух этапах существующих текстовых градиентных подходов: извлечение и агрегирование градиентов. При экстракции градиента предыдущие работы отбирали цель, не проверяя, исправит ли она неисправность, и извлекали градиентов без надзора уровня агента за промежуточным выходом соответствующего агента. В градиентном агрегировании индивидуальные градии произвольно сгруппированы и конкретизированы, часто смешивая не связанные друг с другом режимы отказа и генерируя импульсы, которые не могут быть обобщены. Для устранения этих ограничений мы предлагаем ·textbf {AgentGrad} — систему оперативной оптимизации многоагентных систем, основанную на последовательном вмешательстве и семантической текстовой абстракции. Для каждого отказа последовательное вмешательство изменяет поведение одного агента за раз,…
Агент Град: Оперативная оптимизация мультиагентных систем с учетом конкретных мер
arXiv: 2609.08572v1 Annualce Type: New Humber Abstract: Migh Language Model (LLM) multi-агентные системы (MAS) достигают высоких показателей за счет использования специализированных агентов, однако их эффективность зависит от оперативной разработки каждого агента. В целях оперативной оптимизации МАС в качестве одной из ведущих парадигм были разработаны текстовые градиентные методы, которые определяют оперативное обновление с использованием естественной обратной связи. В настоящем документе мы выявляем ограничения на двух этапах существующих текстовых градиентных подходов: извлечение и агрегирование градиентов. При экстракции градиента предыдущие работы отбирали цель, не проверяя, исправит ли она неисправность, и извлекали градиентов без надзора уровня агента за промежуточным выходом соответствующего агента. В градиентном агрегировании индивидуальные градии произвольно сгруппированы и конкретизированы, часто смешивая не связанные друг с другом режимы отказа и генерируя импульсы, которые не могут быть обобщены. Чтобы устранить эти ограничения, мы предлагаем formula_BAR_textbf {AgentGrad} быстрый выбор