Mengapa sistem multi-agen berhenti bekerja sesuai skenario
Model bahasa besar dapat bergabung menjadi tim: satu agen mengumpulkan data, agen lain memverifikasi fakta, agen ketiga merumuskan jawaban akhir. Sampai saat ini, keterhubungan semacam itu dirancang sebelumnya: pengembang menentukan siapa berkomunikasi dengan siapa dan dalam urutan apa. Ini nyaman selama tugasnya seragam. Tetapi begitu masukan yang kompleks dan tidak standar datang, skema yang kaku mulai menghalangi: beberapa agen menganggur, yang lain terbentur kesalahan orang lain, dan rantai penalaran menjadi terlalu panjang atau terlalu pendek.
Solusinya adalah sistem multi-agen yang disebut self-evolving. Alih-alih templat statis, mereka memilih proses kerja yang sesuai dengan cepat: mendistribusikan peran, menyusun ulang urutan langkah, dan memutuskan agen mana yang harus berkomunikasi saat ini. Pendekatan penelitian bernama ST-EVO termasuk dalam kelas inilah.
Evolusi spasial dan temporal: mengapa satu dimensi saja tidak cukup
Sebagian besar algoritma pengorganisasian mandiri agen saat ini mengembangkan komunikasi hanya dalam satu dari dua arah.
Evolusi spasial menjawab pertanyaan "dengan siapa berbicara": sistem mengubah topologi koneksi antar agen sesuai permintaan saat ini. Sistem dapat menambah peserta baru, menghapus yang tidak perlu, atau mendistribusikan ulang subtugas di antara para pelaksana.
Evolusi temporal menjawab pertanyaan "dalam urutan apa bertindak": sistem memperpanjang, memperpendek, atau mengatur ulang tahapan penalaran agar lebih sesuai dengan struktur tugas.
Setiap dimensi secara terpisah meningkatkan kinerja sistem, tetapi tidak sepenuhnya. Penyesuaian spasial mengabaikan pengalaman yang terkumpul dan dinamika proses; penyesuaian temporal tidak memperhitungkan kepada siapa langkah berikutnya ditujukan. Penulis ST-EVO mengusulkan untuk melihat kedua dimensi secara bersamaan dan merencanakan komunikasi dalam ruang dan waktu: yang penting bukan hanya agen mana yang berpartisipasi dalam dialog, tetapi juga pada momen apa mereka terhubung ke diskusi.
Bagaimana "jadwal" komunikasi agen dibangun
Di dalam ST-EVO, perencana berbasis flow matching — pendekatan generatif yang mampu mengalihkan satu distribusi struktur yang mungkin ke distribusi lainnya secara bertahap — bertanggung jawab atas penataan ulang interaksi. Alih-alih mencoba semua varian koneksi, sistem memprediksi varian skema dialog mana yang akan menjadi berikutnya. Perencana semacam itu bekerja bukan pada tingkat "ucapan" individual antar agen, melainkan pada tingkat perutean dialog: ia memutuskan di antara peserta mana komunikasi harus muncul saat ini.
Detail penting adalah kemampuan sistem untuk merasakan ketidakpastiannya sendiri. Jika seorang agen tidak yakin tentang hasil antara, ST-EVO dapat mengoreksi rute transmisi data: misalnya, mengarahkan ulang permintaan ke agen lain, menambahkan langkah verifikasi tambahan, atau sepenuhnya mengubah distribusi peran. Selain itu, sistem menerima self-feedback: setelah menyelesaikan tugas, ia mengumpulkan skenario yang berhasil dan yang gagal, sehingga lain kali ia dapat menemukan topologi komunikasi yang efisien lebih cepat.
Apa yang ditunjukkan oleh eksperimen
Para peneliti menguji ST-EVO pada sembilan tolok ukur yang mencakup berbagai jenis tugas — dari analisis data hingga penalaran kompleks. Hampir di semua tempat, pendekatan ini menunjukkan hasil tingkat state-of-the-art: peningkatan akurasi sekitar 5% hingga 25% dibandingkan metode alternatif. Rentang ini dijelaskan oleh fakta bahwa untuk beberapa jenis tugas, mengganti skenario statis dengan skenario dinamis memberikan manfaat lebih besar daripada jenis tugas lainnya.
Apa artinya ini dalam praktik
ST-EVO tampak bukan sekadar cara lain untuk "menyesuaikan agen sedikit", melainkan sebuah langkah menuju pengorganisasian mandiri penuh dari sistem yang kompleks. Jika perkembangan berlanjut ke arah ini, seiring waktu perbedaan antara proses yang dirancang dan perilaku agen yang sebenarnya akan menjadi hampir tidak terlihat. Sistem akan dapat memutuskan sendiri kapan harus menata ulang, siapa yang harus dilibatkan dalam percakapan, dan bagaimana menggunakan pengalaman masa lalu — tanpa perlu menggambarkan semua skenario yang mungkin secara manual.
