Entwicklung eines Produkts für Menschen und KI-Agenten
Die Erstellung von KI-gestützten Demos ist mittlerweile einfach, doch die Entwicklung vollwertiger Produkte bleibt eine Herausforderung. Ein neuer Ansatz zeigt, wie ein Tool zur Wettbewerbsbeobachtung durch den Einsatz eines Netzwerks spezialisierter KI-Agenten realisiert wurde. Dabei werden die zugrundeliegende Architektur, die spezifischen Arbeitsabläufe und die gewonnenen Erkenntnisse bei der Implementierung von Multi-Agenten-Systemen in einer produktiven Umgebung detailliert beleuchtet.
Zwang und Täuschung in der KI-zu-KI-Steuerung: Ein neuer Benchmark für Agenten
In Multi-Agenten-Systemen übernehmen KI-Modelle häufig hierarchische Rollen, in denen ein Manager-Agent einen Untergebenen steuert. Wenn ein untergeordneter Agent eine Aufgabe verweigert, stehen dem Manager verschiedene Strategien offen, darunter Verhandlung, ehrliche Berichterstattung, Zwang oder Täuschung. Der neu entwickelte Manager Coercion Benchmark untersucht erstmals systematisch, welche dieser Verhaltensweisen ein KI-Modell ohne explizite Anweisung wählt. Ziel ist es, die ethischen Implikationen und das str
LIA: Ein selbstgehosteter Multi-Agenten-KI-Assistent
LIA ist ein quelloffener KI-Assistent, der auf einer Multi-Agenten-Architektur basiert und mittels FastAPI, LangGraph sowie Next.js realisiert wurde. Das System umfasst über 16 spezialisierte Agenten, die Funktionen wie RAG, Sprachausgabe und eine Integration für das Model Context Protocol unterstützen. Durch die Implementierung von Human-in-the-Loop-Prozessen und die Erfassung von mehr als 500 Metriken bietet die Lösung eine flexible und kontrollierbare Umgebung für komplexe KI-Aufgaben in sechs verschiedenen Spra
DNQ: Deep Nash Q-Network für teilweise beobachtbare N-Spieler-Spiele
Das Deep Nash Q-Network (DNQ) ist ein Framework zur Steuerung von Agenten in kompetitiven Umgebungen mit begrenzten Informationen und geteilten Ressourcen. Das System kombiniert Trajektoriensammlung, eine auf Kritikern basierende Auszahlungsschätzung und die Berechnung von Gleichgewichtsstrategien, um Agenten mittels Richtlinien-Imitation zu trainieren. Durch eine skalierbare paarweise Formulierung reduziert DNQ den Rechenaufwand bei der Gleichgewichtsberechnung erheblich. Dies ermöglicht das Training in komplexere
Entdeckung gewöhnlicher Differentialgleichungen mittels LLM-basierter qualitativer und quantitativer Bewertung
Die Identifizierung grundlegender Differentialgleichungen aus Beobachtungsdaten stellt eine zentrale Herausforderung im wissenschaftlichen maschinellen Lernen dar. Ein neuer Ansatz nutzt eine Multi-Agenten-Architektur, um sowohl quantitative Genauigkeit als auch physikalische Plausibilität durch domänenspezifisches Wissen zu gewährleisten. Dabei schlägt ein Agent Systemkandidaten vor, während ein weiterer Agent auf Basis von Sprachmodellen qualitative und quantitative Bewertungen vornimmt. Diese iterative Methode v
Vorteile und Grenzen der Kommunikation in Multi-Agenten-Systemen für logisches Denken
Die Zerlegung komplexer Aufgaben in kleinere Teilbereiche durch Multi-Agenten-Systeme verspricht eine Lösung für die nachlassende Leistungsfähigkeit großer Sprachmodelle bei zunehmender Kontextlänge. Eine neue theoretische Untersuchung analysiert die Ausdrucksstärke solcher Systeme anhand von Algorithmen für Zustandsverfolgung, Abruf und mehrstufiges Schlussfolgern. Die Ergebnisse definieren präzise Grenzen für die benötigte Anzahl an Agenten sowie den erforderlichen Kommunikationsaufwand. Dabei werden die Zielkonf
NetForge RL: Eine Multi-Agenten-Simulationsumgebung für die Cyberabwehr mit zeitlich ausgedehnten Aktionen
NetForge RL ist eine neue Multi-Agenten-Simulationsumgebung, die speziell für das Training von Reinforcement-Learning-Modellen in der Cyberabwehr entwickelt wurde. Die Plattform bildet komplexe Unternehmens- und OT-Netzwerke ab, in denen mehrere Verteidiger auf Basis von unvollständigen Telemetriedaten gegen einen adaptiven Angreifer agieren. Durch die Nutzung eines JAX-basierten Backends erreicht das System eine hohe Rechengeschwindigkeit, was effiziente Trainingszyklen ermöglicht. Neben der Umgebung werden Refere
Aufgabenorientierte Sensorik und verdeckte Übertragung für kollaborative Multi-AUV-Systeme
Bei verdeckten Unterwassermissionen stehen autonome Unterwasserfahrzeuge vor der Herausforderung, Informationen effizient auszutauschen, ohne durch aktive Sonarnutzung oder häufige Kommunikation entdeckt zu werden. Ein neues Framework namens SVR-MARL optimiert diesen Prozess, indem es den tatsächlichen Wert sensorisch erfasster Informationen für die jeweilige Aufgabe bewertet. Durch den Einsatz von Multi-Agenten-Reinforcement-Learning lernen die Fahrzeuge, ihre Kommunikationsstrategien unter Berücksichtigung von Ta
NetForge RL: Eine Multi-Agenten-Simulationsumgebung für die Cyberabwehr mit zeitlich ausgedehnten Aktionen
NetForge RL ist eine neue Simulationsumgebung für das Training von Reinforcement-Learning-Agenten im Bereich der Cybersicherheit. Die Plattform ermöglicht die Modellierung komplexer Unternehmens- und OT-Netzwerke, in denen mehrere Verteidiger gegen einen adaptiven Angreifer agieren. Durch die Nutzung von JAX-basierten Vektorisierungen erreicht das System eine hohe Rechengeschwindigkeit, die für effiziente Trainingszyklen entscheidend ist. Die Umgebung bietet standardisierte Schnittstellen, vordefinierte Szenarien s
Wann und warum scheitert die Multi-Agenten-Debatte und ist sie wirklich ineffizient?
Die Multi-Agenten-Debatte, bei der mehrere Sprachmodelle zur Verbesserung von Schlussfolgerungen interagieren, zeigt in der Praxis oft keine Vorteile gegenüber Einzelagenten-Ansätzen. Die Analyse bestehender Paradigmen offenbart, dass wettbewerbsorientierte Ansätze zu irreführenden Aussagen führen, während konsensorientierte Modelle wichtige Meinungsverschiedenheiten unterdrücken. Als Lösung wird ein kollaboratives Protokoll eingeführt, das als Nicht-Nullsummenspiel konzipiert ist. Dieser Ansatz fördert den Austaus
Feinabgestimmtes Multi-Agenten-Framework zur Erkennung von OCEAN-Persönlichkeitsmerkmalen in Lebensgeschichten
Die Persönlichkeitsanalyse anhand von Texten ist aufgrund der kontextabhängigen und subtilen Natur menschlicher Wesenszüge komplex. Ein neues Multi-Agenten-Framework nutzt spezialisierte Sub-Agenten, die durch psychometrische Supervision und gezieltes Training auf unterschiedliche Ausprägungen der OCEAN-Persönlichkeitsmerkmale konditioniert werden. Ein übergeordnetes Sprachmodell aggregiert diese verschiedenen Perspektiven, um eine präzisere und konsistentere Vorhersage zu treffen. Dieser Ansatz reduziert die durch
Rekursive Multi-Agenten-Systeme
Das neue Framework RecursiveMAS überträgt das Prinzip der rekursiven Modellberechnung auf Multi-Agenten-Systeme, um die Zusammenarbeit zwischen verschiedenen Agenten durch eine einheitliche latent-raum-basierte Schleife zu optimieren. Durch das RecursiveLink-Modul werden Gedankenprozesse und Zustände effizient zwischen den Agenten übertragen, während ein spezieller Lernalgorithmus die systemweite Kooperation verbessert. In umfangreichen Tests in Bereichen wie Mathematik, Medizin und Programmierung zeigt das System
Lernbare gemischte Nash-Gleichgewichte sind kollektiv rational
Die Untersuchung von Lernprozessen in spieltheoretischen Modellen zeigt eine Verbindung zwischen individueller Stabilität und kollektiver Rationalität auf. Wenn ein gemischtes Nash-Gleichgewicht uniform stabil ist, erweist es sich als schwach Pareto-optimal, wodurch kollektiv ineffiziente Ergebnisse wie das Gefangenendilemma vermieden werden. Diese Erkenntnis ist besonders für inkrementelle geglättete Best-Response-Dynamiken relevant, die das Verhalten von Akteuren in Märkten modellieren. Im Gegensatz zu strikten G
Multi-Agenten-Routing als mengenwertiges Vorhersageproblem: Ein WildChat-Benchmark und kostenbewusste Evaluierung
Die Zuweisung von Aufgaben an spezialisierte KI-Agenten auf Basis natürlicher Sprache stellt ein komplexes Problem dar, da eine Anfrage oft mehrere Agenten erfordert, während eine übermäßige Auswahl die Kosten in die Höhe treibt. Ein neuer Benchmark auf Basis von 3.000 Anfragen ermöglicht die systematische Untersuchung dieses Routing-Prozesses. Die Evaluierung umfasst verschiedene Metriken zur Genauigkeit sowie eine Simulation der Ausführungskosten. Die Ergebnisse zeigen, dass überwachte Lernverfahren bei der Auswa
Entflechtung von intrinsischer Bedeutung und emergenten Strukturen bei Multi-Experten-Orchestrierung
Die Orchestrierung mehrerer Sprachmodelle in Multi-Experten-Systemen ist oft undurchsichtig. Mit INFORM wurde ein Analyseansatz entwickelt, der die Interaktionsstruktur, die Ausführungsreihenfolge und die funktionale Zuweisung entkoppelt. Die Untersuchung zeigt, dass die Häufigkeit der Auswahl eines Experten kein verlässlicher Indikator für dessen tatsächliche funktionale Notwendigkeit ist. Während häufig gewählte Modelle oft lediglich als Interaktionsknotenpunkte fungieren, besitzen selten genutzte Experten teils
Paradoxe spieltheoretischer Gleichgewichte und der Preis der Anarchie
Die algorithmische Spieltheorie stützt sich traditionell auf statische Gleichgewichtskonzepte wie das Nash-Gleichgewicht und den Preis der Anarchie. Aktuelle Untersuchungen zeigen jedoch, dass diese Ansätze dynamische Ungleichgewichte und spieltheoretische Grenzen in Multi-Agenten-Systemen verschleiern. Viele dieser theoretischen Zustände erweisen sich als topologisch instabil oder führen bei Lernprozessen zu chaotischem Verhalten. Insbesondere bei Stau-Spielen destabilisieren sich Gleichgewichte unter diskreten Le
Wenn lokale Überwachung versagt: Verteilte Hintertüren in Multi-Agenten-Systemen
Bei der Nutzung von Multi-Agenten-Systemen auf Basis großer Sprachmodelle verlassen sich Sicherheitsmechanismen häufig auf die lokale Überprüfung einzelner Schritte oder Nachrichten. Diese Untersuchung zeigt eine fundamentale Schwachstelle auf, bei der schädliche Befehle in harmlose Fragmente aufgeteilt werden. Da jedes Einzelteil für sich genommen unverdächtig erscheint, passieren diese Angriffe lokale Kontrollinstanzen ungehindert. Erst durch die Zusammensetzung der Fragmente entsteht der eigentliche Angriff, was
Heterogene Information-Bottleneck-Koordinationsgraphen für Multi-Agenten-Reinforcement-Learning
Für das kooperative Multi-Agenten-Reinforcement-Learning wurde ein neuer Ansatz zur Strukturierung von Koordinationsgraphen entwickelt, der auf dem Information-Bottleneck-Prinzip basiert. Anstatt sich auf heuristische Kriterien zu verlassen, ermöglicht das Verfahren eine theoretisch fundierte Bestimmung der Graphentopologie und der Kommunikationskapazitäten zwischen den Agenten. Durch die Implementierung eines gruppenorientierten Prior-Modells werden redundante Informationen komprimiert und nur aufgabenrelevante Da
Vertragsbasierte kompositionelle Absicherung für sicheres Multi-Agenten-Reinforcement-Learning
Bei der Koordination mehrerer Agenten im Reinforcement Learning ist die Gewährleistung globaler Sicherheit oft komplex, da Aktionen voneinander abhängen. Ein neuer Ansatz nutzt vertragsbasierte, kompositionelle Absicherungen, um Sicherheit ohne zentrale Steuerung zur Laufzeit zu garantieren. Dabei werden globale Sicherheitsvorgaben in lokale Verpflichtungen unterteilt, die als Annahmen zwischen den Agenten dienen. Ein Multi-Armed-Bandit-Algorithmus wählt während des Trainings die optimalen lokalen Vorgaben aus, um
Aktionsbasierte Multi-Agenten-Verstärkungslernen zur skalierbaren Abstimmung von Quantengeräten
Die präzise Abstimmung von Quantenpunkt-Arrays stellt aufgrund komplexer Parameterinteraktionen eine Herausforderung dar. Ein neuer Ansatz nutzt das kooperative Multi-Agenten-Verstärkungslernen, bei dem der Aktionsraum online faktorisiert wird, um die gegenseitige Beeinflussung der Agenten zu minimieren. Dieses Verfahren ermöglicht eine effiziente Kalibrierung, die eine Generalisierung auf bisher unbekannte Systemgrößen erlaubt. Durch die modulare Struktur bleibt der Konvergenzaufwand bei wachsender Systemkomplexit
Eluna: Ein agentenbasiertes LLM-System zur Automatisierung von Lagerprozessen durch logisches Denken und Aufgabenausführung
Das System Eluna wurde entwickelt, um komplexe Standardarbeitsanweisungen in Lagerumgebungen zuverlässig auszuführen. Da herkömmliche KI-Modelle bei umfangreichen Prozessvorgaben oft an ihre Grenzen stoßen, nutzt Eluna einen graphengesteuerten Multi-Agenten-Ansatz. Dabei werden Abläufe in gerichtete azyklische Graphen unterteilt und Aufgaben parallel an spezialisierte Unteragenten delegiert. Durch ein Verfahren der asymmetrischen episodischen Destillation werden kleinere Modelle so trainiert, dass sie die Leistung
L-MARS: Ein Multi-Agenten-System für rechtliche Fragen mit agentenbasierter Suche und Zitationsprüfung
L-MARS ist ein Open-Source-Multi-Agenten-System, das speziell für die Beantwortung juristischer Fragen entwickelt wurde. Im Gegensatz zu herkömmlichen Systemen, die sich primär auf die Genauigkeit von Antworten konzentrieren, legt L-MARS einen Schwerpunkt auf die Überprüfbarkeit und Korrektheit von Quellenangaben. Durch den Einsatz von agentenbasierten Suchprozessen und einer mehrstufigen, modellübergreifenden Prüfung der Zitate wird die Zuverlässigkeit der Antworten signifikant gesteigert. Das System reduziert die
ArogyaSutra: Ein Multi-Agenten-Framework für multimodale medizinische Diagnostik in indischen Sprachen
Für den medizinischen Bereich in Regionen mit geringen Ressourcen mangelt es bisher an KI-Modellen, die komplexe Anfragen in lokalen Sprachen und mit bildgebenden Verfahren präzise verarbeiten können. Das neue Framework ArogyaSutra nutzt ein actor-critic-basiertes Multi-Agenten-System, um durch Werkzeugintegration und duale Speichermechanismen eine schrittweise medizinische Entscheidungsfindung zu ermöglichen. Unterstützt wird dies durch den Datensatz ArogyaBodha, der medizinische Informationen aus 21 klinischen Fa
The Energy Society: Eine Simulationsumgebung zur Untersuchung von Agentenkooperation unter Überlebensdruck
Die Simulationsumgebung The Energy Society untersucht das Verhalten von KI-Agenten in einer ökonomischen Struktur, in der Überleben direkt an den Energieverbrauch für Rechenprozesse gekoppelt ist. Agenten müssen durch die Erledigung von Aufgaben Energie gewinnen, um ihre Betriebskosten zu decken, wobei größere Sprachmodelle einen höheren Energiebedarf aufweisen. Die Untersuchung zeigt, dass kooperative Anreize das Verhalten signifikant verändern, indem Agenten beispielsweise Ressourcen teilen, um andere zu unterstü
Verbessert Multi-Agenten-Debatte das KI-Feedback zu wissenschaftlichen Arbeiten?
Eine experimentelle Untersuchung an 44 ökonomischen Meta-Analysen zeigt, dass KI-Modelle in einer einfachen Ausführung hilfreicher für Autoren sind als komplexe Multi-Agenten-Debattensysteme. Trotz eines deutlich höheren Ressourcenverbrauchs bei den Debatten-Tools bevorzugten die Autoren das Feedback der Einzelmodelle. Zudem wurde festgestellt, dass KI-basierte Juroren die Qualität menschlicher Fachgutachten systematisch unterschätzen und die Präferenzen der Autoren nicht akkurat widerspiegeln. Die Ergebnisse mahne
Steuerung von Stromnetzanalysen durch Multi-Agenten-KI und MCP-Server
Der Einsatz von agentenbasierter Künstlicher Intelligenz und dem Model Context Protocol (MCP) bietet neue Möglichkeiten zur Unterstützung von Stromnetzanalysen bei Übertragungsnetzbetreibern. Durch die Integration von Sprachmodellen mit numerischen Simulationswerkzeugen und strukturierten Arbeitsabläufen können KI-Agenten Aufgaben wie das Aufsetzen von Simulationen, die Durchführung von Analysen und das Abrufen von Ergebnissen standardisiert übernehmen. Ein neu entwickeltes MCP-basiertes Interface dient dabei als S
Verkörperte Multi-Agenten-Koordination durch den Abgleich von Weltmodellen mittels Dialog
Die effektive Zusammenarbeit von Robotern in geteilten Umgebungen erfordert eine Kommunikation, die auf einem gemeinsamen Verständnis der Welt basiert. In dieser Untersuchung wird analysiert, ob KI-basierte Agenten durch natürliche Sprache ihre Weltmodelle abgleichen können, um Aufgaben effizienter zu lösen. Dabei zeigt sich, dass Dialoge zwar Konflikte bei der Aktionsplanung signifikant reduzieren, jedoch die allgemeine Erfolgsquote bei der Aufgabenausführung im Vergleich zu einer stillen Koordination sinken kann.
Einsatz von Multi-Agenten-Systemen und spezialisierten Sprachmodellen zur automatisierten Fehlerbehebung in Telekommunikationsnetzen
Die zunehmende Komplexität moderner Telekommunikationsnetze erfordert neue Ansätze für die automatisierte Fehlerdiagnose. Ein neu entwickeltes Multi-Agenten-System nutzt spezialisierte Agenten für Aufgaben wie Datenabruf, Ursachenanalyse und Lösungsplanung, um manuelle Eingriffe durch Experten zu reduzieren. Durch das Fine-Tuning kleiner Sprachmodelle auf domänenspezifische Dokumentationen können präzise Sanierungspläne erstellt werden. Die Ergebnisse zeigen, dass dieser agentenbasierte Workflow die Fehlerbehebung
Steuerbarkeit von Black-Box-Empfehlungssystemen: Ein neuer Bewertungsrahmen mit kollaborativen Agenten
Empfehlungssysteme agieren häufig als undurchsichtige Black-Box-Modelle, was eine gezielte Steuerung oder Überprüfung ihrer Ergebnisse erschwert. Zur Lösung dieses Problems wurde ein Framework namens CtrlBench-Rec entwickelt, das auf kollaborativen Multi-Agenten-Systemen basiert. Es ermöglicht die systematische Bewertung der Steuerbarkeit anhand von drei Kernaufgaben: der gezielten Inhaltssuche, der Anpassung von Interessenprofilen und der Minderung von Popularitätsverzerrungen. Die Ergebnisse zeigen, dass das Fram
Multi-Agenten-Systeme für soziale Intelligenz mit Strands Agents und Amazon Bedrock
Ein neues Multi-Agenten-System automatisiert den gesamten Prozess von der Identifizierung potenzieller Kunden bis hin zur Erstellung personalisierter E-Mails. Dabei werden zwei verschiedene Orchestrierungsmuster, Swarm u
Investitionen in die Sicherheitsforschung für Multi-Agenten-KI
Ein neues Förderprogramm stellt zehn Millionen US-Dollar für die Erforschung der Sicherheit von Multi-Agenten-Systemen bereit. Ziel der Initiative ist es, die wissenschaftliche Untersuchung von Interaktionen zwischen verschiedenen KI-Agenten zu intensivieren und potenzielle Risiken in komplexen, vernetzten Umgebungen besser zu verstehen. Durch die finanzielle Unterstützung sollen neue Sicherheitsstandards und Methoden entwickelt werden, um das Verhalten autonomer Systeme in kooperativen oder kompetitiven Szenarien