Multiagentové frameworky

Multiagentní frameworky na základě LLM — to jsou softwarové platformy, které umožňují několika autonomním AI agentům, postaveným na základě velkých jazykových modelů (LLM), vzájemně spolupracovat při společném řešení složitých úkolů. V těchto systémech je kladen důraz na rozmanitost profilů agentů, jejich komunikaci a kolektivní rozhodování. Přístup využívá „kolektivní inteligenci" skupiny, kde každý agent plní specializovanou roli a výměna zpráv mezi nimi napodobuje spolupráci lidí.

To umožňuje modelovat složité scénáře reálného světa a řešit úkoly, které přesahují možnosti jednotlivého inteligentního agenta. Multiagentní LLM systémy již vykazují úspěšné výsledky v oblastech, jako je vývoj softwaru, sociální simulace, ekonomické hry a modelování politických diskusí.

Klíčové frameworky a přístupy

Rozvoj multiagentních systémů vedl ke vzniku řady otevřených frameworků, které usnadňují jejich tvorbu a výzkum.

MetaGPT (2023)

Jeden z prvních otevřených frameworků, zaměřený na spolupráci podle principu „montážní linky\" (assembly line). MetaGPT zavádí do systému standardní operační postupy (SOPs) a přiřazuje každému agentovi určitou roli (například produktový manažer, inženýr, tester). Tento přístup umožňuje rozložit složitý úkol na dílčí úlohy a rozdělit je mezi specializované agenty, čímž snižuje chaotičnost a riziko halucinací.

CAMEL (2023)

Framework CAMEL (Communicative Agents for \"Mind\" Exploration) je zaměřen na autonomní interakci agentů prostřednictvím dialogu. Nabízí metodiku inception prompting pro koordinaci konverzace mezi LLM agenty a směruje je ke společnému cíli. Každý agent je vybaven rolí a kontextem, poté agenti komunikují v přirozeném jazyce a postupně dospívají ke společnému řešení. CAMEL se osvědčil ve scénářích vyžadujících kooperaci bez přímého zásahu člověka.

AutoGen (2023)

Univerzální a konfigurovatelný framework od výzkumníků Microsoftu, určený k vytváření složitých aplikací na základě komunikace více LLM. AutoGen umožňuje programovat logiku interakce agentů jak pomocí kódu, tak v přirozeném jazyce. Podporuje integraci s externími nástroji a API, což jej činí vhodným pro širokou škálu úkolů — od vývoje softwaru po tvorbu dialogových systémů.

AgentVerse (2023)

Otevřená platforma vyvinutá komunitou OpenBMB pro zkoumání dynamické spolupráce a emergentního chování agentů. AgentVerse poskytuje dva režimy provozu:

1. Řešení úkolů (task-solving): Několik LLM agentů se spojí do týmu pro splnění složitého úkolu (například společný vývoj softwaru).
2. Simulace prostředí (simulation): Umožňuje uživateli definovat virtuální prostředí a sledovat interakci agentů (například simulace školní třídy nebo vězňova dilematu).

Platforma zdůrazňuje důležitost standardizovaného prostředí a komunikačních protokolů pro řízenou komunikaci.

CrewAI (2024)

Framework zaměřený na integraci LLM agentů do obchodních procesů a analýzy dat. CrewAI realizuje koncept AI-Based Agents Workflow (AgWf), kde agenti provádějí kroky popsané formou textových instrukcí a mohou využívat externí nástroje (Python třídy/funkce). To umožňuje automatizovat složité analytické scénáře kombinací flexibility LLM s deterministickým kódem.

LangGraph (2024)

Experimentální framework využívající grafové struktury k reprezentaci stavu a kontextu v dialozích s LLM. Klíčovou vlastností LangGraph je podpora cyklických pracovních postupů. To umožňuje agentům sdílet data prostřednictvím společného grafu znalostí, iterativně vyhledávat informace, hodnotit jejich spolehlivost a korigovat odpovědi, což je zvláště užitečné při vyhledávání informací (QA) s rozšířenou znalostní bází.

Další projekty

Velkou pozornost si získaly také experimentální projekty AutoGPT a AgentGPT, které demonstrovaly potenciál plně autonomních AI agentů schopných samostatně stanovovat cíle, provádět webové vyhledávání, spouštět kód a spravovat soubory. Přestože tyto projekty neprošly vědeckou recenzí, zdůraznily důležitost komponent plánování, paměti a nástrojů pro budování skutečně samostatných agentů.

Využití multiagentních systémů

• Automatizace vývoje softwaru: Skupiny LLM agentů zastávají role manažera, programátora a testera a společně plánují a realizují softwarové projekty. Výzkum ChatDev ukázal, že tým čtyř agentů dokázal během několika minut vytvořit jednoduchou aplikaci vedením dialogu ve všech fázích od zadání úkolu po testování.
• Inteligentní asistenti: Podnikové produkty jako Microsoft 365 Copilot a IBM Watsonx Orchestrate využívají více agentů pro plnění složitých úkolů, kde jeden agent zpracovává požadavek, druhý získává fakta z databáze a třetí sestavuje zprávu.
• Vědecký výzkum: Agenti jsou využíváni ke generování a kritice hypotéz. V přístupech typu Guided Debate nebo Self-Refine jeden agent navrhuje řešení, druhý jej hodnotí a koriguje, což pomáhá snížit počet chyb.
• Sociální modelování a virtuální světy: V přelomovém projektu Generative Agents desítky LLM agentů vybavených osobnostmi a pamětí simulovaly život malého virtuálního městečka a demonstrovaly věrohodné sociální interakce. Takovéto simulace mohou najít uplatnění ve hrách (pro tvorbu realistických NPC), ve vzdělávání a v sociálních vědách.

Výzvy a perspektivy

Navzdory úspěchům čelí multiagentní systémy řadě závažných problémů:

• Halucinace a kaskádové chyby: Chyba jednoho agenta se může přenášet řetězcem na další agenty, kteří ji přijímají jako základ pro svá uvažování, což vede k narušení práce celé skupiny.
• Škálovatelnost a náročnost na zdroje: Každý agent na bázi LLM vyžaduje značné výpočetní zdroje. Zajištění souběžného provozu desítek agentů je složitý technický úkol.
• Koordinace a řízení: S rostoucím počtem agentů roste riziko chaosu. Jsou zapotřebí promyšlené mechanismy „orchestrace" pro řízení jejich vzájemné interakce.
• Hodnocení a testování: Chybí obecně uznávané benchmarky pro objektivní srovnání různých multiagentních frameworků.

V budoucnu se očekává vznik efektivnějších a bezpečnějších multimodálních systémů, kde agenti budou moci vyměňovat nejen text, ale také obrázky a další data. Zavedení Reinforcement Learning může naučit skupiny agentů lépe se koordinovat v průběhu času a dosahovat efektu „kolektivní inteligence\". V konečném důsledku jsou multiagentní frameworky krokem k vytvoření flexibilnějších a výkonnějších AI systémů, kde množství specializovaných „myslí\" pracuje společně.

Odkazy

• Přehledový článek: Large Language Model based Multi-Agents (2024)
• Přehledový článek: 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.