DarkForest Framework migliora l'accuratezza dei sistemi multi-agente LLM con meno comunicazione

Una recente pubblicazione su arXiv presenta DarkForest, un framework progettato per la comunicazione controllata all'interno di sistemi multi-agente LLM. A differenza degli approcci ad alta interazione che affrontano sfide come la propagazione degli errori e costi di comunicazione significativi, DarkForest consente agli agenti di lavorare inizialmente in modo indipendente, generando risposte senza accesso ai risultati degli altri. Le risposte grezze iniziali vengono poi trasformate in record candidati strutturati, organizzati in cluster semanticamente simili. Una distribuzione di credenza calibrata viene calcolata sulla base di fattori come l'affidabilità dell'agente, la confidenza, la qualità del parsing, l'affidabilità del pattern di supporto e aggiustamenti per l'indipendenza. Questo metodo migliora l'accuratezza, diminuisce l'uso di token, riduce la latenza e abbassa i costi di inferenza prevenendo l'escalation di ragionamenti intermedi errati.