Resumen:Si bien los sistemas multiagente (MAS) prometen una inteligencia elevada a través de la coordinación de agentes, los enfoques actuales para el diseño automático de MAS no cumplen con los objetivos esperados. Tales deficiencias se derivan de dos factores clave: (1) complejidad metodológica (la orquestación de agentes se realiza utilizando una ejecución secuencial a nivel de código que limita el razonamiento holístico a nivel de sistema global y escala mal con la complejidad del agente) y (2) incertidumbre sobre la eficacia (los MAS se implementan sin comprender si existen beneficios tangibles en comparación con los sistemas de agente único (SAS). Proponemos MAS-Orchestra, un marco de tiempo de entrenamiento que formula la orquestación MAS como un problema de aprendizaje por refuerzo de llamada de funciones con orquestación holística, generando un MAS completo a la vez. En MAS-Orchestra, los subagentes complejos y orientados a objetivos se abstraen como funciones invocables, lo que permite el razonamiento global sobre la estructura del sistema y al mismo tiempo oculta los detalles de ejecución interna. Para estudiar rigurosamente cuándo y por qué los MAS son beneficiosos, presentamos MASBENCH, un punto de referencia controlado que caracteriza las tareas en cinco ejes: profundidad, horizonte, amplitud, paralelo y robustez. Nuestro análisis revela que las ganancias de MAS dependen fundamentalmente de la estructura de tareas, los protocolos de verificación y las capacidades tanto del orquestador como de los subagentes, en lugar de mantenerse universalmente. Guiada por estos conocimientos, MAS-Orchestra logra mejoras consistentes en los puntos de referencia públicos, incluido el razonamiento matemático, el control de calidad de múltiples saltos y el control de calidad basado en búsquedas. Juntos, MAS-Orchestra y MASBENCH permiten una mejor capacitación y comprensión de MAS en la búsqueda de inteligencia multiagente.
Publicado originalmente en export.arxiv.org el 21 de enero de 2026.
Ver fuente original
