Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Collaboration multi-agents
La collaboration multi-agents fait référence à un modèle dans lequel plusieurs agents autonomes, chacun ayant un rôle, une spécialisation ou un objectif distinct, négocient pour résoudre des tâches complexes. Ces agents peuvent agir indépendamment ou avec d'autres agents en partageant des informations, en répartissant les responsabilités et en raisonnant collectivement en vue d'un objectif.
Ce modèle diffère de celui des agents de flux de travail, qui coordonnent et délèguent des tâches de manière centralisée aux agents subordonnés dans un flux structuré. En revanche, la collaboration multi-agents met l'accent sur peer-to-peer la coordination émergente en permettant l'adaptabilité, le parallélisme et la division de la cognition. Le tableau suivant compare la collaboration multi-agents avec les agents de flux de travail :
Fonctionnalité |
Agents de workflow |
Objectif |
|---|---|---|
Contrôle |
Coordinateur centralisé |
Des pairs décentralisés, distribués ou basés sur les rôles |
Interaction |
Un agent délègue et suit l'exécution |
Plusieurs agents négocient, partagent et s'adaptent |
Conception |
Séquence de tâches prédéfinie |
Répartition des tâches innovante et flexible |
Coordination |
Orchestration procédurale |
Interactions coopératives ou compétitives |
Cas d’utilisation |
Automatisation des processus d'entreprise |
Raisonnement complexe, exploration et stratégies émergentes |
Architecture
Le schéma suivant illustre la collaboration entre plusieurs agents :
Description
-
Lance une tâche
-
Un utilisateur ou un système émet un objectif ou un problème de haut niveau.
-
Un agent « manager » ou un contexte initiateur définit l'objectif.
-
-
Attribue ou découvre des rôles
-
Les agents s'attribuent eux-mêmes (logique symbolique ou raisonnement) ou sont délégués (courtier d'événements) à d'autres rôles, tels que ceux de planificateur, de chercheur, d'exécuteur testamentaire, de critique ou d'explicateur.
-
-
Communique avec les autres agents
-
Les agents communiquent via la mémoire partagée, les files d'attente de messagerie ou le chaînage rapide.
-
Ils peuvent débattre, se poser des questions ou se proposer des sous-tâches.
-
-
Utilise un raisonnement spécialisé
-
Chaque agent utilise son propre modèle ou sa propre logique de domaine pour résoudre la partie du problème qui lui est propre.
-
Les agents peuvent utiliser LLMs des instructions et de la mémoire spécifiques aux rôles.
-
-
Coordonne les résultats ou les objectifs
-
Les agents synthétisent les contributions dans une réponse, un plan ou une action finale.
-
(Facultatif) Un agent de supervision peut valider ou résumer le résultat synthétisé.
-
Fonctionnalités
-
Agents de niveau pair dotés de rôles ou de compétences spécialisés
-
Comportement émergent par le biais de la communication ou de la négociation
-
Traitement parallèle de problèmes complexes ou multidimensionnels
-
Soutient la délibération, l'autocorrection et l'itération réflexive
-
Modélisez la dynamique sociale, la collaboration scientifique ou les rôles des équipes d'entreprise
Cas d’utilisation courants
-
Équipes de recherche autonomes (agent de recherche, synthétiseur et validateur)
-
Développement de logiciels (planificateur, codeur et testeur)
-
Modélisation de scénarios commerciaux (finances, politiques et conformité)
-
Négociation, appel d'offres ou raisonnement multipartite
-
Tâches multimodales (image, texte et logique)
Directives d’implémentation
Vous pouvez créer un système multi-agents à l'aide des outils suivants et Services AWS :
Composant |
Service AWS |
Objectif |
|---|---|---|
Hébergement d'agents |
Amazon Bedrock, Amazon SageMaker, AWS Lambda |
Hébergez des agents individuels pilotés par le LLM |
Couche de communication |
Amazon SQS, Amazon, EventBridge AWS AppFabric |
Messagerie et coordination entre les agents |
Mémoire partagée |
Amazon DynamoDB, Amazon S3 ou OpenSearch |
Mémoire multi-agents ou système de tableau noir |
Couche d'orchestration |
AWS Step Functions, AWS Lambda oléoducs |
Logique de lancement, de délai d'expiration, de repli et de nouvelle tentative |
Identification de l'agent |
Agents Amazon Bedrock (définis par rôle) et API AWS AppConfig Amazon Bedrock Converse (agents extérieurs à Amazon Bedrock) |
Invocation d'un outil ou d'un agent basé sur les rôles et application des limites |
Interaction émergente |
EventBridge Pipelines ou registres d'agents Amazon |
Activer le routage ou l'escalade dynamique des tâches |
Résumé
La collaboration entre plusieurs agents répartit les tâches de résolution de problèmes entre des agents modulaires et axés sur les rôles. Contrairement à l'orchestration des flux de travail, les modèles de collaboration utilisent l'intelligence émergente, la résilience et l'évolutivité qui reflètent la façon dont les humains résolvent les problèmes. Il est particulièrement utile pour les domaines ouverts, les tâches créatives, le raisonnement multimodal et les environnements qui bénéficient de perspectives diverses.
Conclusion
Les modèles évoqués précédemment illustrent les approches fondamentales des implémentations réelles de l'IA agentique. Du raisonnement de base à l'intelligence augmentée par la mémoire, chaque modèle est configuré de manière unique pour la perception, la cognition et l'action, sur la base de l'autonomie, de l'asynchronie et du libre arbitre.
Ces modèles partagent des vocabulaires et des plans techniques pour créer des systèmes intelligents orientés vers des objectifs. Qu'un modèle soit intégré dans une interface utilisateur, orchestré par le biais de services cloud ou coordonné par des équipes d'agents, chaque modèle est adaptable et modulaire.
Plats à emporter
-
Les modèles d'agents sont composables : la plupart des agents du monde réel combinent deux modèles ou plus (par exemple, un agent vocal doté d'un raisonnement et d'une mémoire basés sur des outils).
-
La conception de l'agent est contextuelle : choisissez des modèles en fonction de la surface d'interaction, de la complexité des tâches, de la tolérance à la latence et des contraintes spécifiques au domaine.
-
AWSla mise en œuvre native est réalisable — Avec Amazon Bedrock SageMaker, Amazon,, AWS Lambda AWS Step Functions, et les architectures pilotées par les événements, chaque modèle d'agent peut être fourni à grande échelle.
