Resumen: El rápido progreso de los modelos de lenguaje grande tiene sistemas de agente avanzados en la toma de decisiones, la coordinación y la ejecución de tareas. Sin embargo, los marcos de generación de sistemas de agente existentes carecen de autonomía completa, faltando la generación de agentes de raspadio, la funcionalidad de los agentes autoptimizantes y la colaboración, limitando la adaptabilidad y la escalabilidad. Proponemos SwarMagentic, un marco para la generación de sistemas de agente totalmente automatizados que construye sistemas de agente desde cero y optimiza conjuntamente la funcionalidad y la colaboración como componentes interdependientes a través de la exploración basada en el lenguaje. Para permitir una búsqueda eficiente sobre las estructuras a nivel del sistema, Swarmagentic mantiene una población de sistemas candidatos y los evoluciona a través de actualizaciones guiadas por retroalimentación, inspirándose en la optimización del enjambre de partículas (PSO). Evaluamos nuestro método en seis tareas del mundo real, abiertos y exploratorios que involucran planificación de alto nivel, coordinación a nivel del sistema y razonamiento creativo. Dada solo una descripción de la tarea y una función objetivo, Swarmagentic supera a todas las líneas de base, logrando una mejora relativa de +261.8% sobre ADAS en el punto de referencia de TravelPlanner, destacando la efectividad de la automatización completa en tareas estructuralmente sin restricciones. Este marco marca un paso significativo hacia el diseño de sistemas agentes escalables y autónomos, uniendo inteligencia enjambre con una generación de agentes múltiples totalmente automatizados. Nuestro código se publica públicamente en esta URL HTTPS.
Publicado Originalme en rss.arxiv.org El 18 de junio de 2025.
Ver Fuente Original
