Cette recherche aborde le défi des agents d'IA plus simples formant par inadvertance un agent collectif avec des objectifs distincts, essentiel pour la sécurité des IA avancées. Elle propose de définir l'agence collective de manière comportementale, considérant un groupe comme un agent unifié lorsque ses actions conjointes semblent rationnelles et orientées vers un but, formalisées par des jeux causaux et l'abstraction.
Zenku est un moteur No-Code open-source et "AI-first" qui utilise une architecture multi-agents pour construire et faire évoluer des applications de données de niveau entreprise. Il dépasse la simple génération de code en comprenant et en créant dynamiquement des schémas de base de données, des vues d'interface utilisateur et la logique métier via le langage naturel.
Cet article présente une méthode innovante pour détecter les structures de coalition cachées au sein des systèmes d'IA multi-agents, en analysant leurs représentations neuronales internes. Il construit un graphe d'information mutuelle par paires à partir des états cachés et applique un partitionnement spectral pour identifier les frontières de coalition, validé dans des environnements d'apprentissage par renforcement.
L'article présente ATOM, un cadre multi-agents pour l'optimisation moléculaire multi-objectif utilisant une recherche arborescente. Les agents se coordonnent le long de différents chemins de l'arbre pour maintenir et comparer des trajectoires alternatives d'évolution moléculaire, soutenues par une mémoire globale.
Cet article présente GraphDC, un système multi-agent de type « Diviser pour régner » conçu pour améliorer le raisonnement des algorithmes de graphe dans les grands modèles linguistiques (LLM). Il améliore les performances en décomposant les grands graphes en sous-graphes plus petits pour des agents spécialisés, avec un agent maître intégrant les résultats, ce qui conduit à une meilleure évolutivité et robustesse.
Cette étude présente AgentNLQ, une nouvelle méthode multi-agents pour la conversion du langage naturel en SQL (NL2SQL), atteignant 78,1% de précision sémantique sur le benchmark BIRD. Elle exploite des LLM dans un orchestrateur optimisé pour la planification, la réflexion et l'autocorrection afin de générer des requêtes SQL précises à partir de schémas enrichis et de règles métier.
Cet article propose un protocole de curation délibérative pour gouverner la connaissance collective dans les écosystèmes d'IA multi-agents, abordant des défis tels que l'absence d'état des agents et l'homogénéité des modèles. Il combine un cycle de vie d'artefact de connaissance, un vote délibératif pondéré par la réputation et des sanctions graduées adaptées aux agents sans état.
EVOCHAMBER propose un cadre sans entraînement pour l'évolution multi-agents en temps de test, aux échelles individuelle, d'équipe et de population, se distinguant des approches mono-agent. Il intègre CODREAM, un protocole post-tâche pour la réflexion collaborative et le routage asymétrique des connaissances après des échecs ou des désaccords d'équipe.
Cette recherche introduit une nouvelle méthode d'attribution de récompense par étape différée pour entraîner des agents de modèles de langage dans des interactions stratégiques multi-agents. Elle aborde le défi des résultats entrelacés en calculant les récompenses à la fin de l'épisode et en les propageant, permettant un apprentissage par renforcement stable et économe en échantillons.
Cet article propose d'évaluer l'équité des LLM par le comportement conversationnel in-situ plutôt que par des tests standardisés. Il introduit le cadre MAC-Fairness pour l'analyse comportementale dans le dialogue multi-agents, révélant la non-fiabilité des approches traditionnelles.
Cet article présente SDOF, un framework qui traite l'exécution multi-agent comme une machine à états contrainte pour faire respecter les règles des processus métier. Il intègre un routeur d'intention entraîné par RLHF et un répartiteur conscient de l'état, surpassant GPT-4o sur un benchmark de routage adversarial dans un système de recrutement.
DeepSlide est un système multi-agents avec intervention humaine conçu pour optimiser l'ensemble du processus de livraison de présentations, de la planification narrative à la répétition, allant au-delà des générateurs de diapositives d'IA axés uniquement sur l'artefact. Il intègre un planificateur de chaîne logique contrôlable, la récupération de contenu et introduit un nouveau benchmark à double score pour évaluer à la fois la qualité de l'artefact statique et l'excellence de la prestation dynamique.
Ce contenu explore les défis liés à l'exécution de systèmes multi-agents en direct, au-delà des protocoles de routage de messages (A2A) et d'accès aux outils (MCP). L'auteur identifie des échecs dans les "lacunes entre les messages" et la continuité du contexte, soulignant la dérive sémantique comme un défi critique non résolu dans les dialogues multi-tours des LLM.
Cet article présente "Quantum Frog", un jeu coopératif à deux joueurs basé sur une mécanique de temps quantifié, inspiré de Frogger. Il utilise l'apprentissage par renforcement pour analyser l'évolution de la difficulté du jeu, les politiques optimales et les stratégies de coopération émergentes.
Traj-Evolve est un système multi-agent auto-évolutif conçu pour modéliser les trajectoires des patients à partir des dossiers de santé électroniques pour la détection précoce du cancer du poumon. Il utilise un Pool d'Expérience pour récupérer des cas similaires et l'apprentissage par renforcement multi-agent pour optimiser la collaboration.
Cet article explore comment une population d'agents peut s'auto-orchestrer et s'adapter pour former une intelligence collective plus forte sans contrôle centralisé. Inspirée par la théorie économique de Hayek, l'étude propose une économie d'agents où la concurrence par des enchères et l'accumulation de richesse favorisent l'émergence de stratégies de raisonnement multi-étapes, surpassant les bases de référence monolithiques.
L'article décrit la création d'un moteur de débat multi-LLM qui se vérifie lui-même en temps réel pour combattre la tendance des LLM à la flagornerie et à l'hallucination. Il propose un débat structuré entre agents aux rôles distincts, incluant un agent de vérification des faits dédié en plein débat.
L'article défend `tmux` comme une infrastructure efficace et sous-estimée pour l'automatisation de l'IA multi-agents par une seule personne, contrastant avec les frameworks d'orchestration complexes. Il soutient que `tmux` offre un meilleur contrôle, une intervention facile et une gestion d'état simple, essentiels pour les développeurs individuels travaillant sur un ordinateur portable.
Le contenu décrit un système d'agents IA personnalisé, Atlas Pantheon, gérant 13 agents depuis un seul terminal sans cadres d'orchestration complexes. Il détaille une structure hiérarchique à trois niveaux, avec un agent PDG, quatre agents "Dieux" pour des domaines distincts et huit agents "Héros" pour l'exécution pure, le tout alimenté par Claude Code, tmux et un fichier markdown partagé.
O autor descreve um problema em seu sistema multi-agente de pesquisa de mercado, que, apesar de parecer funcionar, tornou-se ineficiente e caro sem motivo aparente. Ele percebeu a falta de visibilidade sobre as decisões internas dos agentes, levando-o a implementar um logger de decisões para entender o que realmente estava acontecendo.