En este momento estás viendo 
<span class="bsf-rt-reading-time"><span class="bsf-rt-display-label" prefix="Tiempo de lectura"></span> <span class="bsf-rt-display-time" reading_time="2"></span> <span class="bsf-rt-display-postfix" postfix="mins"></span></span><!-- .bsf-rt-reading-time -->LDP: un protocolo consciente de la identidad para sistemas LLM de agentes múltiples

LDP: un protocolo consciente de la identidad para sistemas LLM de agentes múltiples

  • Autor de la entrada:
  • Categoría de la entrada:Noticias externas

Resumen:A medida que los sistemas de IA multiagente crecen en complejidad, los protocolos que los conectan limitan sus capacidades. Los protocolos actuales como A2A y MCP no exponen las propiedades a nivel de modelo como primitivas de primera clase, ignorando propiedades fundamentales para una delegación efectiva: identidad del modelo, perfil de razonamiento, calibración de calidad y características de costo. Presentamos el LLM Delegate Protocol (LDP), un protocolo de comunicación nativo de IA que introduce cinco mecanismos: (1) tarjetas de identidad de delegados enriquecidas con sugerencias de calidad y perfiles de razonamiento; (2) modos de carga útil progresivos con negociación y respaldo; (3) sesiones gobernadas con contexto persistente; (4) seguimiento estructurado de procedencia, confianza y estado de verificación; (5) dominios de confianza que imponen límites de seguridad a nivel de protocolo. Implementamos LDP como complemento para el tiempo de ejecución del agente JamJet y evaluamos contra A2A y líneas de base aleatorias utilizando modelos locales de Ollama y evaluación LLM como juez. El enrutamiento con reconocimiento de identidad logra una latencia ~12 veces menor en tareas sencillas a través de la especialización de delegados, aunque no mejora la calidad agregada en nuestro pequeño grupo de delegados; las cargas útiles del marco semántico reducen el recuento de tokens en un 37 % (p=0,031) sin que se observe pérdida de calidad; las sesiones gobernadas eliminan el 39 % de la sobrecarga de tokens en 10 rondas; y la procedencia ruidosa degrada la calidad de la síntesis por debajo de la línea de base sin procedencia, argumentando que los metadatos de confianza son perjudiciales sin verificación. Los análisis simulados muestran ventajas arquitectónicas en la detección de ataques (96 % frente a 6 %) y recuperación de fallas (100 % frente a 35 % de finalización). Este artículo aporta un diseño de protocolo, una implementación de referencia y evidencia inicial de que las primitivas de protocolo nativas de IA permiten una delegación más eficiente y gobernable.

Publicado originalmente en export.arxiv.org el 10 de marzo de 2026.
Ver fuente original

admin

Usuario de administración del sitio web