AgentCDM: Multi-Agenten verbessern Entscheidungen mit ACH‑inspiriertem Denken

In der Welt der Multi-Agenten-Systeme, die von großen Sprachmodellen angetrieben werden, eröffnet AgentCDM einen neuen Ansatz für die kollaborative Entscheidungsfindung. Während bisherige Methoden entweder auf ein einzelnes „dictatorisches“ Agentenmodell setzen oder sich auf einfache Abstimmungsmechanismen stützen, nutzt AgentCDM die Prinzipien der Analyse konkurrierender Hypothesen aus der Kognitionswissenschaft, um systematisch kognitive Verzerrungen zu reduzieren.

Der Kern des Ansatzes ist ein strukturiertes Denkparadigma, das die Agenten dazu bewegt, nicht nur Antworten zu wählen, sondern aktiv Hypothesen zu evaluieren und zu konstruieren. Durch einen zweistufigen Trainingsprozess wird zunächst mit klaren, ACH‑inspirierten Leitfäden gearbeitet, um die Struktur des Denkens zu verankern. In der zweiten Phase werden diese Leitfäden schrittweise entfernt, sodass die Agenten eigenständig generalisieren können.

Experimentelle Ergebnisse auf mehreren Benchmark‑Datensätzen zeigen, dass AgentCDM die aktuelle Spitzenleistung übertrifft und dabei eine bemerkenswerte Generalisierungsfähigkeit demonstriert. Damit beweist die Methode, dass strukturierte, hypothesis‑basierte Entscheidungsprozesse die Qualität und Robustheit von Entscheidungen in Multi-Agenten-Systemen deutlich steigern können.