KI-Architekten: GIS‑Suche in Multi‑Agent‑Pipelines als Erfolgsmodell

Neues Forschungspapier aus dem arXiv‑Repository (Arbeitstitel: „AI Founding Fathers: A Case Study of GIS Search in Multi‑Agent Pipelines“) zeigt, wie große Sprachmodelle (LLMs) ihre bereits beeindruckende Sprachflüssigkeit durch gezielte Strukturierung ihrer Denkprozesse noch stärker verbessern können. Der Autor*innen zufolge ist die Schlüsselidee, die Suche im Rechenraum der Modelle in einem kontrollierten, schrittweisen und sequentiellen Ablauf – kurz GIS – zu organisieren.

Zur Umsetzung wird die Technik der rekursiven Verfeinerung (Recursive Refinement, RR) eingesetzt. Dabei kritisiert das Modell sich selbst, wird gezielt unter Druck gesetzt und integriert anschließend das erhaltene Feedback. Durch diese iterative Schleife soll die GIS‑Suche effizienter und genauer werden.

Als Experiment wurden zwei Pipeline‑Architekturen verglichen: eine einfache lineare Kette und eine komplexe, explizit strukturierte Kette mit einer RR‑Schicht. Die Modelle wurden mit historischen Figuren der US‑Unabhängigkeit – Hamilton, Jefferson und Madison – als Rollenbilder ausgestattet und mit RAG‑gestützten Textkorpora versorgt. Sie wurden anschließend aufgefordert, drei aktuelle politische Fragen zu beantworten.

Die Bewertung erfolgte in zwei Schritten: Erstens ein automatisierter „Arbiter“-Agent, der die Antworten numerisch bewertet, und zweitens ein menschliches Expertenteam, das die Qualität qualitativ beurteilt. Die Ergebnisse sind eindeutig: Die komplexe Pipeline erzielte im Durchschnitt 88,3 Punkte, während die lineare Variante nur 71,7 erreichte. Darüber hinaus wurden die Argumente der komplexen Pipeline als überzeugender und fundierter eingeschätzt.