Экосистема вместо монолита: как коалиция мелких ИИ-агентов превосходит гигантские модели
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Новое исследование предлагает концепцию мульти-разработческих агентных систем (MDA), где задачи решаются объединением специализированных агентов от разных компаний. Эксперименты показали, что такая кооперация позволяет достичь точности более 70% на бенчмарке GAIA, значительно опережая результаты лучших одиночных систем.
Работа демонстрирует новый вектор масштабирования ИИ: рост возможностей за счет интеграции разрозненных специализированных решений, а не только увеличения бюджета одного разработчика. Это меняет подход к проектированию агентных систем, смещая фокус с создания универсальных «монолитов» на формирование экосистем, где каждый участник опирается на свои сравнительные преимущества.
Современный рынок искусственного интеллекта доминируют крупные лаборатории, такие как OpenAI и Anthropic, которые создают автономные агентные системы (SDA). Эти решения удобны в управлении, но имеют фундаментальный предел: их возможности жестко ограничены ресурсами одного разработчика. Кроме того, каждая компания вынуждена дублировать базовые функции — от поиска до работы с файлами, — что приводит к неэффективному использованию усилий и создает высокий барьер входа для небольших игроков с узкой экспертизой.
В качестве альтернативы авторы научной работы «The Wealth of Agents» предлагают концепцию мульти-разработческих агентных систем (MDA). В отличие от классических мультиагентных систем, где один оператор контролирует всех участников, MDA предполагает координацию независимых агентов от разных разработчиков. Ключевым механизмом здесь выступает маршрутизатор, который декомпозирует запрос на подзадачи и направляет каждую к наиболее подходящему специалисту. Такой подход позволяет системе использовать комплементарные навыки, избегая дублирования функций.
Для проверки гипотезы исследователи создали мета-агентный пайплайн, имитирующий работу разработчиков с различными бюджетами и уровнями квалификации. Эксперименты проводились на датасетах GAIA (широкий ассистентский бенчмарк) и SealQA (узкий поиск). Результаты оказались впечатляющими: медианная одиночная система показала точность 21%, лучшая — 35%, тогда как δ-MDA достигла более 70%. Это означает, что объединение усилий дало прирост в 35 процентных пунктов к результату лучшего отдельного агента.
Важным фактором успеха стало самообучение маршрутизатора. Поскольку разработчики часто приукрашивают возможности своих агентов, только накопленный опыт взаимодействия позволяет системе точно ранжировать их по реальной полезности. Использование необученного роутера снижало точность до 61%. Также MDA эффективнее задействует «средних» разработчиков: система выбирает агентов среднего уровня в 56% случаев, что дешевле и часто результативнее, чем опора на элитные модели.
Однако авторы честно указывают на ограничения подхода. В узких доменах, таких как только веб-поиск, MDA может проигрывать одиночным системам из-за накладных расходов на декомпозицию и коммуникацию. Кроме того, остаются нерешенными вопросы экономической модели: как распределять стоимость инфраструктуры и ценность между участниками, а также как обеспечить безопасность при передаче данных сторонним агентам.
Таким образом, будущее агентного ИИ может строиться не по принципу «один агент, правящий всеми», а по модели «интернета интеллекта». Для реализации этого потенциала необходимо решить технические задачи маршрутизации и экономические вопросы стимулирования сообщества. Проектирование агентов должно учитывать контекст развертывания в экосистеме, где вклад в общую систему может многократно превышать точность в изоляции.