SCALE: Kostenreduktion bei Multi-Agenten-Workflows um 83 %

In der Forschung zu Multi-Agenten-Systemen, die auf großen Sprachmodellen basieren, wird häufig zwischen der Generierung von Workflows auf Aufgaben‑ und auf Abfrageebene unterschieden. Ein neues Papier von arXiv zeigt, dass die Abfrage‑level‑Generierung nicht immer notwendig ist: Eine kleine Auswahl der besten Aufgaben‑level‑Workflows deckt bereits dieselben oder sogar mehr Abfragen ab.

Darüber hinaus wird die bisher übliche, auf Ausführung basierende Bewertung von Aufgaben‑level‑Workflows als extrem kostenintensiv und oft unzuverlässig identifiziert. Um dem entgegenzuwirken, stellt die Studie das Framework SCALE vor – Selbstvorhersage des Optimierers mit Few-Shot-Kalibrierung zur Bewertung. Statt vollständiger Validierungsexekutionen nutzt SCALE eine selbstlernende Vorhersage, die die Bewertungskosten drastisch senkt.

Umfangreiche Experimente belegen, dass SCALE die Leistung der bestehenden Ansätze mit nur 0,61 % schlechteren Ergebnissen hält, während die Gesamt‑Token‑Verwendung um bis zu 83 % reduziert wird. Diese Fortschritte markieren einen bedeutenden Schritt in Richtung effizienterer und skalierbarer Multi‑Agenten‑Workflows.