AGAO: Orchestrazione Adattiva dell'Attenzione Orientata agli Obiettivi per Sistemi Multi-Agente con LLM
Un nuovo framework chiamato Adaptive Goal-aware Attention Orchestration (AGAO) affronta il problema della distribuzione dell'attenzione nei sistemi multi-agente basati su grafi che utilizzano grandi modelli linguistici. I metodi tradizionali diventano inefficienti man mano che i flussi di lavoro si espandono, applicando lo stesso trattamento a tutti gli elementi del grafo. AGAO valuta l'importanza degli agenti in tempo reale, tenendo conto degli obiettivi dell'utente, delle interdipendenze del grafo e dei limiti computazionali. Integra l'attenzione orientata agli obiettivi, che valuta la rilevanza semantica tra gli obiettivi dell'utente e le competenze degli agenti, insieme a componenti aggiuntive per migliorare il coordinamento. Questo framework estende l'attenzione di tipo Transformer dalla rappresentazione dei token al coordinamento degli agenti a livello di flusso di lavoro. L'articolo è disponibile su arXiv, riferimento 2607.23678.
Fatti principali
- AGAO è introdotto come un paradigma per l'allocazione dell'attenzione nei sistemi multi-agente basati su grafi.
- Il framework estende l'attenzione di tipo Transformer al coordinamento a livello di flusso di lavoro.
- AGAO stima dinamicamente l'importanza degli agenti in base agli obiettivi dell'utente, alle dipendenze del grafo e ai vincoli computazionali.
- Combina l'attenzione orientata agli obiettivi con altre componenti.
- L'articolo è disponibile su arXiv con ID 2607.23678.
- I grandi modelli linguistici consentono agenti autonomi per ragionamento, pianificazione e uso di strumenti.
- L'orchestrazione basata su grafi supporta una scomposizione flessibile ma crea sfide nell'allocazione dell'attenzione.
- Gli approcci esistenti eseguono i componenti del grafo in modo uniforme, sprecando risorse in compiti irrilevanti.
Entità
Istituzioni
- arXiv