Kan en enkelt agent med ferdigheter erstatte systemer med flere agenter? Multiagentsystemer fungerer godt for kompleks resonnering der spesialiserte agenter samarbeider gjennom eksplisitt kommunikasjon. Men dette medfører betydelig beregningsoverhead i tokens og latens. Denne nye forskningen undersøker om man kan kompilere et fleragentsystem til et tilsvarende enkeltagentsystem ved å bytte kommunikasjon mellom agenter mot ferdighetsvalg. Svaret: ja, men med en forbehold. Foreløpige eksperimenter viser at enkeltagent-tilnærminger med ferdighetsbiblioteker kan redusere tokenbruk og latens betydelig, samtidig som de opprettholder konkurransedyktig nøyaktighet på resonnementsbenchmarks. Så langt, alt vel. Men her blir det interessant. Forskerne spurte: Hvordan skalerer ferdighetsutvelgelse etter hvert som biblioteker vokser? Med utgangspunkt i kognitiv vitenskap foreslår de at LLM-ferdighetsvalg viser begrenset kapasitet tilsvarende menneskelig beslutningstaking. Og de fant et interessant mønster. I stedet for å forverres gradvis, forblir utvalgsnøyaktigheten stabil opp til en kritisk bibliotekstørrelse, og faller deretter kraftig. Men det ser ut som en faseovergang, ikke en jevn nedgang. Dette speiler kapasitetsgrenser observert i menneskelig kognisjon. Synderen er ikke bare bibliotekets størrelse. Det er den semantiske forvirringen blant lignende ferdigheter. Når ferdighetene er for semantisk like, kan ikke modellen pålitelig skille mellom dem. Dette antyder at hierarkisk organisering, som lenge har hjulpet mennesker med å håndtere komplekse valg, på samme måte kan gagne AI-systemer. Innledende resultater med hierarkisk ruting støtter denne hypotesen. Etter hvert som vi bygger stadig mer kapable agenter med utvidede ferdigheter, blir forståelsen av disse grunnleggende begrensningene avgjørende. Du kan ikke bare fortsette å legge til ferdigheter i det uendelige. Det finnes en terskel hvor seleksjonen bryter sammen, og det skjer plutselig, ikke gradvis. Artikkel: Lær å bygge effektive AI-agenter i vår akademi: