MAS-Orchestra: Mehr Intelligenz durch ganzheitliche Agentenkoordination

Multi-Agenten-Systeme (MAS) versprechen höhere Intelligenz, indem sie mehrere Agenten koordinieren. In der Praxis liefern aktuelle Designansätze jedoch nicht die erwarteten Ergebnisse. Die Schwächen liegen in der methodischen Komplexität – die Orchestrierung erfolgt noch immer sequentiell auf Codeebene, was die globale Systemlogik einschränkt und bei steigender Agentenkomplexität schlecht skaliert – und in der Unsicherheit über die tatsächlichen Vorteile gegenüber Ein-Agenten-Systemen (SAS).

MAS-Orchestra ist ein Trainingsframework, das die Orchestrierung von MAS als ein Reinforcement‑Learning‑Problem mit Funktionsaufrufen formuliert. Dabei werden komplexe, zielorientierte Unteragenten als aufrufbare Funktionen abstrahiert. So kann das System die gesamte MAS-Struktur global durchdenken, während die internen Abläufe verborgen bleiben. Das Ergebnis ist eine einmalige Generierung des gesamten Agenten-Systems.

Zur systematischen Untersuchung, wann und warum MAS von Nutzen sind, wurde MASBENCH entwickelt. Dieses kontrollierte Benchmark‑Set charakterisiert Aufgaben entlang fünf Achsen: Tiefe, Horizont, Breite, Parallelität und Robustheit. Die Analyse zeigt, dass die Vorteile von MAS stark von der Aufgabenstruktur, den Verifikationsprotokollen sowie den Fähigkeiten von Orchestrator und Unteragenten abhängen – sie gelten nicht universell.

MAS-Orchestra erzielt konsistente Verbesserungen auf öffentlichen Benchmarks, darunter mathematisches Denken, Multi‑Hop‑Frage‑Antwort und suchbasiertes QA. Zusammen ermöglichen MAS-Orchestra und MASBENCH ein besseres Training und ein tieferes Verständnis von Multi‑Agenten-Systemen.