Компьютерная наука > Многоагентные системы [представлен 25 октября 2026 года] Название: EMMA: Структурированная эпизодикальная память для синтеза рабочего потока с использованием нескольких агентов PDF HTML (экспериментальный) Резюме: Деплуатирование агентов LLM в специализированных областях часто требует применения процедур, ориентированных на конкретные задачи и знания, которых не хватает в общей модели, однако обучение параметрам является дорогостоящим и не может быть истолковано, а система ручных агентов перенаправляет затраты на квалифицированную рабочую силу. Эпизодикальная память обновляется на контекстном уровне, но для адаптации к одному агенту необходимо бороться с перекрестным вмешательством, особенно при решении сложных задач, таких как многоприкладное судоходство или анализ пула данных. Хотя эволюция с использованием нескольких агентов облегчает эту проблему, существующие методы не имеют четких определений правил обновления и опираются на базовую модель для определения того, где и в какой степени меняется система. Эта неглубокая эволюция заставляет обучение следовать скорее структурным предпочтениям позвоночника, чем наблюдаемым сбоям: одна из костылей накапливает навыки, в то время как другая порождает агенты. Мы представляем ЕММА (структурированную Эпизодическую память для мультиагентного синтеза рабочего потока), которая рассматривает конфигурацию многоагрегатной системы (контроллер маршрутизации памяти, специалисты наследуют общие оперативные и поэтапные…
ЭММА: Структурированная эпизодическая память для синтеза многоагентного рабочего потока
arXiv: 261 030,35966v 1 Annuaire Type: Cross Brieft: Развертывание агентов LLM в специализированных областях часто требует применения процедур и знаний с учетом конкретных задач, которых не хватает в общей модели, однако обучение по вопросам параметров является дорогостоящим и не поддается толкованию, а системы ручных агентов перекладывают затраты на квалифицированную рабочую силу. Эпизодикальная память обновляется на контекстном уровне, но для адаптации к одному агенту необходимо бороться с перекрестным вмешательством, особенно при решении сложных задач, таких как многоприкладное судоходство или анализ пула данных. Хотя эволюция с использованием нескольких агентов облегчает эту проблему, существующие методы не имеют четких определений правил обновления и опираются на базовую модель для определения того, где и в какой степени меняется система. Эта неглубокая эволюция заставляет обучение следовать скорее структурным предпочтениям позвоночника, чем наблюдаемым сбоям: одна из костылей накапливает навыки, в то время как другая порождает агенты. Мы представляем ЕММА (структурированная эпизодикальная память для мульти-агентного синтеза рабочего потока), которая рассматривает конфигурацию o