Agenten, die nativ selbst orchestrieren, ihren eigenen Kontext, Werkzeuge und Unteragenten verwalten, sind der nächste große Durchbruch in der Leistung von LLMs. Im Moment kann ein erfahrener Ingenieur, der ein optimiertes System mit durchdfließendem Datenfluss, Trennung der Anliegen, Verwaltung von Unteragenten usw. aufbaut, dramatische Verbesserungen gegenüber der Basislinie für spezifische Aufgaben erzielen. Wenn ein Modell dies selbst tun könnte, wäre das ein großer Schritt nach vorne. Man gibt ihm ein Ziel und eine Reihe von Werkzeugen, und es findet den optimalen Weg, sich selbst zu orchestrieren, um die Aufgabe zu erledigen. Zum Beispiel baue ich einen sehr primitiven KI-Wissenschaftler, den ich bald Open Source stellen werde. Der Großteil der Arbeit liegt nicht im Prompt, sondern im System… was der Orchestrator sieht, was Unteragenten sehen, was zwischen ihnen geteilt wird und wann, wo wir zusammenfassen vs. Rohdaten weitergeben und welche Werkzeuge jeder Agent kontrolliert. Dies ermöglicht es mir, dramatisch zu verbessern, was das Modell eigenständig tun kann. Wenn ein Modell effektiv sein eigenes System für ein gegebenes Problem entwerfen kann, wäre das ein riesiger Schritt nach vorne. Meine Wette: selbst-orchestrierende Modelle… solche, die ihren eigenen Kontext, Werkzeuge und Unteragenten verwalten, werden die Grenze fast so weit verschieben wie der Sprung von Chatbot → Denken.

Ich rufe hier einfach meine Einschätzung ab… Ich bin mir ziemlich sicher dabei. Jemand kann das heute prototypisieren (vielleicht werde ich es tun!), indem er ein Modell verwendet, um ein Gerüst für einen gegebenen Prompt in Python zu schreiben, das in eine @daytonaio Sandbox oder etwas Ähnliches integriert und dann den Prompt an das Gerüst übergibt.