Orchestrierte KI-Agenten revolutionieren wissenschaftliches Mehrschritt‑Denken

Multi‑Agent‑Frameworks mit großen Sprachmodellen versprechen komplexes Mehrschritt‑Denken, doch in wissenschaftlichen und wissensintensiven Bereichen bleiben bestehende Systeme oft hinter den Erwartungen zurück. Die Gründe liegen in statischen Prompt‑Strukturen, festen Rollen und starren Arbeitsabläufen, die die Anpassungsfähigkeit an Fachdomänen einschränken und die Rechenlatenz erhöhen.

Die neue OrchMAS‑Architektur löst diese Schwächen, indem sie ein zweistufiges Orchestrierungsmodell einführt. Ein dedizierter Orchestrator analysiert jede Aufgabe, baut dynamisch einen domänenbewussten Reasoning‑Pipeline auf und ruft spezialisierte Expert-Agenten mit maßgeschneiderten Prompts auf. Parallel übernimmt ein Ausführungsmodell die einzelnen Schritte gemäß den generierten Rollen‑ und Anweisungs­specifikationen.

Durch iterative Rückmeldungen kann der Orchestrator die Pipeline kontinuierlich anpassen – Rollen neu zuweisen, Prompts verfeinern und sogar die gesamte Strategie neu planen. Diese Flexibilität erhöht die Zuverlässigkeit bei strukturierten, rechenintensiven Aufgaben und macht das System modellagnostisch, sodass heterogene LLMs unterschiedlicher Kapazität und Kosten integriert werden können. So lassen sich Leistung und Effizienz optimal an die Anforderungen praktischer wissenschaftlicher Anwendungen anpassen.

Experimentelle Ergebnisse zeigen, dass OrchMAS gegenüber bestehenden Multi‑Agent‑Systemen und starken Baselines konsistente Verbesserungen erzielt, insbesondere bei langen, komplexen wissenschaftlichen Aufgaben.