Frameworki wieloagentowe

Wieloagentowe frameworki oparte na LLM — to platformy programowe, które umożliwiają wielu autonomicznym agentom AI, zbudowanym na bazie dużych modeli językowych (LLM), wzajemne współdziałanie w celu wspólnego rozwiązywania złożonych zadań. W takich systemach kładzie się nacisk na różnorodność profili agentów, ich komunikację oraz zbiorowe podejmowanie decyzji. Podejście to wykorzystuje „zbiorową inteligencję" grupy, w której każdy agent pełni wyspecjalizowaną rolę, a wymiana komunikatów między nimi naśladuje współpracę ludzi.

Pozwala to modelować złożone scenariusze rzeczywistego świata i rozwiązywać zadania wykraczające poza możliwości pojedynczego inteligentnego agenta. Wieloagentowe systemy LLM wykazują już obiecujące wyniki w takich dziedzinach, jak tworzenie oprogramowania, symulacje społeczne, gry ekonomiczne oraz modelowanie dyskusji politycznych.

Kluczowe frameworki i podejścia

Rozwój systemów wieloagentowych doprowadził do powstania szeregu otwartych frameworków, ułatwiających ich tworzenie i badanie.

MetaGPT (2023)

Jeden z pierwszych otwartych frameworków, zorientowany na współpracę według zasady „linii montażowej" (assembly line). MetaGPT wprowadza do systemu standardowe procedury operacyjne (SOPs) i przypisuje każdemu agentowi określoną rolę (np. menedżer produktu, inżynier, tester). Takie podejście pozwala dekomponować złożone zadanie na podzadania, rozdzielając je między wyspecjalizowanych agentów, co ogranicza chaotyczność i ryzyko halucynacji.

CAMEL (2023)

Framework CAMEL (Communicative Agents for \"Mind\" Exploration) skupia się na autonomicznej interakcji agentów poprzez dialog. Proponuje metodę inception prompting do koordynowania rozmowy między agentami LLM i kierowania ich ku wspólnemu celowi. Każdy agent otrzymuje rolę i kontekst, po czym agenci komunikują się w języku naturalnym, stopniowo wypracowując wspólne rozwiązanie. CAMEL skutecznie sprawdził się w scenariuszach wymagających kooperacji bez bezpośredniej ingerencji człowieka.

AutoGen (2023)

Uniwersalny i konfigurowalny framework opracowany przez badaczy firmy Microsoft, przeznaczony do tworzenia złożonych aplikacji opartych na komunikacji wielu LLM. AutoGen umożliwia programowanie logiki interakcji agentów zarówno za pomocą kodu, jak i języka naturalnego. Obsługuje integrację z zewnętrznymi narzędziami i API, co czyni go przydatnym w szerokim spektrum zadań — od tworzenia oprogramowania po budowanie systemów dialogowych.

AgentVerse (2023)

Otwarta platforma opracowana przez społeczność OpenBMB do badania dynamicznej współpracy i emergentnego zachowania agentów. AgentVerse oferuje dwa tryby pracy:

1. Rozwiązywanie zadań (task-solving): Kilku agentów LLM łączy się w zespół w celu realizacji złożonego zadania (np. wspólne tworzenie oprogramowania).
2. Symulacja środowiska (simulation): Pozwala użytkownikowi zdefiniować wirtualne środowisko i obserwować interakcje agentów (np. symulacja sali lekcyjnej lub dylematu więźnia).

Platforma podkreśla znaczenie ustandaryzowanego środowiska i protokołów komunikacji dla kontrolowanego zarządzania interakcjami.

CrewAI (2024)

Framework skoncentrowany na integracji agentów LLM z procesami biznesowymi i analizą danych. CrewAI realizuje koncepcję AI-Based Agents Workflow (AgWf), w której agenci wykonują kroki opisane w formie instrukcji tekstowych i mogą korzystać z zewnętrznych narzędzi (klas/funkcji Python). Pozwala to automatyzować złożone scenariusze analityczne, łącząc elastyczność LLM z deterministycznym kodem.

LangGraph (2024)

Eksperymentalny framework wykorzystujący struktury grafowe do reprezentacji stanu i kontekstu w dialogach z LLM. Kluczową cechą LangGraph jest obsługa cyklicznych przepływów pracy. Umożliwia to agentom wymianę danych za pośrednictwem wspólnego grafu wiedzy, iteracyjne wyszukiwanie informacji, ocenę ich wiarygodności oraz korygowanie odpowiedzi, co jest szczególnie przydatne w zadaniach wyszukiwania informacji (QA) z rozszerzoną bazą wiedzy.

Inne projekty

Szeroką uwagę przyciągnęły również eksperymentalne projekty AutoGPT i AgentGPT, które zademonstrowano potencjał w pełni autonomicznych agentów AI, zdolnych do samodzielnego wyznaczania celów, przeszukiwania sieci, uruchamiania kodu i zarządzania plikami. Choć projekty te nie były recenzowane naukowo, podkreśliły znaczenie komponentów planowania, pamięci i narzędzi dla budowania prawdziwie samodzielnych agentów.

Zastosowania systemów wieloagentowych

• Automatyzacja tworzenia oprogramowania: Grupy agentów LLM pełnią role menedżera, programisty i testera, wspólnie planując i realizując projekty programistyczne. Badanie ChatDev wykazało, że zespół złożony z czterech agentów był w stanie w ciągu kilku minut stworzyć prostą aplikację, prowadząc dialog na wszystkich etapach — od sformułowania zadania po testowanie.
• Inteligentni asystenci: Produkty korporacyjne, takie jak Microsoft 365 Copilot i IBM Watsonx Orchestrate, wykorzystują wielu agentów do realizacji złożonych zadań, w których jeden agent przetwarza zapytanie, drugi pobiera fakty z bazy, a trzeci sporządza raport.
• Badania naukowe: Agenci są wykorzystywani do generowania i krytykowania hipotez. W podejściach takich jak Guided Debate czy Self-Refine jeden agent proponuje rozwiązanie, a drugi je ocenia i koryguje, co pomaga zmniejszyć liczbę błędów.
• Modelowanie społeczne i wirtualne światy: W przełomowym projekcie Generative Agents dziesiątki agentów LLM, wyposażonych w osobowości i pamięć, symulowały życie małego wirtualnego miasteczka, demonstrując wiarygodne interakcje społeczne. Takie symulacje mogą znaleźć zastosowanie w grach (do tworzenia realistycznych NPC), w edukacji i naukach społecznych.

Wyzwania i perspektywy

Pomimo sukcesów systemy wieloagentowe napotykają szereg poważnych problemów:

• Halucynacje i błędy kaskadowe: Błąd popełniony przez jednego agenta może być przekazywany kolejnym w łańcuchu, które traktują go jako podstawę własnych rozumowań, co prowadzi do zniekształcenia działania całej grupy.
• Skalowalność i zasobochłonność: Każdy agent oparty na LLM wymaga znacznych zasobów obliczeniowych. Zapewnienie równoczesnej pracy dziesiątek agentów stanowi złożone wyzwanie techniczne.
• Koordynacja i zarządzanie: Wraz ze wzrostem liczby agentów rośnie ryzyko chaosu. Potrzebne są przemyślane mechanizmy „orkiestracji" do zarządzania ich interakcjami.
• Ocena i testowanie: Brakuje powszechnie przyjętych benchmarków do obiektywnego porównywania różnych frameworków wieloagentowych.

W przyszłości oczekuje się pojawienia się bardziej wydajnych i bezpiecznych systemów multimodalnych, w których agenci będą mogli wymieniać się nie tylko tekstem, lecz także obrazami i innymi danymi. Wdrożenie Reinforcement Learning może nauczyć grupy agentów lepszej koordynacji w czasie, osiągając efekt „zbiorowej inteligencji". Ostatecznie wieloagentowe frameworki stanowią krok w kierunku tworzenia bardziej elastycznych i potężnych systemów AI, w których wiele wyspecjalizowanych „umysłów" współpracuje ze sobą.

Odnośniki

• Artykuł przeglądowy: Large Language Model based Multi-Agents (2024)
• Artykuł przeglądowy: LLMs Working in Harmony (2025)

Literatura

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for \"Mind\" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Chen, Q. et al. (2024). ChatDev: Communicative Agents for Software Development. arXiv:2307.07924.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Aratchige, R. M.; Ilmini, W. M. K. S. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.