Neue Methode erkennt Verhaltensänderungen in Multi-Agenten-Systemen

Generative Modelle, die mit externen Werkzeugen und Update‑Mechanismen – sogenannten Agenten – erweitert werden, zeigen Fähigkeiten, die weit über das reine Prompting von Basis‑Modellen hinausgehen. Mit der zunehmenden Verbreitung solcher Agenten entstehen dynamische Multi‑Agenten‑Systeme, die bislang kaum systematisch untersucht wurden.

In der vorliegenden Arbeit wird der Zeitliche Datenkern-Perspektivraum (TDKPS) vorgestellt, ein Ansatz, der Agenten nicht nur zu einem Zeitpunkt, sondern über die Zeit hinweg in einen gemeinsamen Raum einbettet. Auf dieser Basis werden mehrere neue Hypothesentests entwickelt, mit denen Verhaltensänderungen auf Agenten‑ und Gruppenniveau in Black‑Box‑Systemen zuverlässig erkannt werden können.

Die Autoren untersuchen die empirischen Eigenschaften dieser Tests in Simulationen, die ein sich wandelndes digitales Persona‑System nachbilden. Dabei wird die Empfindlichkeit gegenüber wichtigen Hyperparametern detailliert analysiert. In einem natürlichen Experiment zeigen die Tests, dass sie Veränderungen detektieren, die eng, spezifisch und signifikant mit einem realen exogenen Ereignis korrelieren.

TDKPS stellt damit das erste prinzipielle Rahmenwerk dar, um die Dynamik von Agentenverhalten in Black‑Box‑Multi‑Agenten‑Systemen zu überwachen – eine entscheidende Fähigkeit, wenn die Bereitstellung generativer Agenten weiter zunimmt.