Může jeden agent se schopnostmi nahradit systémy s více agenty? Systémy s více agenty dobře fungují pro složité uvažování, kde specializovaní agenti spolupracují prostřednictvím explicitní komunikace. To však znamená značné výpočetní náklady na tokeny a latenci. Tento nový výzkum zkoumá, zda lze multiagentní systém zkompilovat do ekvivalentního systému s jedním agentem výměnou komunikace mezi agenty za výběr dovedností. Odpověď: ano, ale s výhradou. Předběžné experimenty ukazují, že přístupy s jedním agentem a knihovnami dovedností mohou výrazně snížit využití tokenů a latenci při zachování konkurenceschopné přesnosti v benchmarkech uvažování. Zatím dobré. Ale tady to začíná být zajímavé. Výzkumníci se ptali: Jak se výběr dovedností škáluje s růstem knihoven? Na základě kognitivní vědy navrhují, že výběr dovedností LLM vykazuje omezenou kapacitu analogickou lidskému rozhodování. A našli zajímavý vzorec. Místo postupného zhoršování zůstává přesnost výběru stabilní až do kritické velikosti knihovny, která pak prudce klesá. Ale vypadá to na fázový přechod, ne na plynulý úpadek. To odráží limity kapacit pozorované v lidském kognici. Příčinou není jen velikost knihovny. Je to sémantická zmatenost mezi podobnými dovednostmi. Když jsou dovednosti příliš sémanticky podobné, model je nedokáže spolehlivě rozlišit. To naznačuje, že hierarchická organizace, která lidem dlouhodobě pomáhá zvládat složitá rozhodnutí, může podobně prospět AI systémům. Počáteční výsledky hierarchického směrování tuto hypotézu podporují. Jak budujeme stále schopnější agenty s rozšiřujícími se dovednostmi, je pochopení těchto základních limitů klíčové. Nemůžete pořád přidávat dovednosti donekonečna. Existuje práh, kdy se selekce rozpadá, a děje se to náhle, ne postupně. Článek: Naučte se vytvářet efektivní AI agenty v naší akademii: