Новый метод SwarmResearch: рой ИИ-агентов для открытого поиска решений
Долгоживущие кодирующие агенты, такие как autoresearch, способны самостоятельно находить оптимизации для открытых задач. Однако они часто застревают на одном подходе, внося лишь мелкие правки, и упускают альтернативные пути. Исследователи из SwarmResearch предложили новую архитектуру, решающую эту проблему.
SwarmResearch основан на двух ключевых изменениях: во-первых, вместо одного накапливающего контекст агента используется оркестратор (ведущий агент, Shepherd Agent), который видит глобальную картину. Во-вторых, каждый поисковый агент (Search Agent) работает в своей отдельной git-ветке с локальным контекстом, что позволяет параллельно исследовать разные стратегии.
В ходе экспериментов на 15 открытых задачах оптимизации SwarmResearch показал превосходство над современными методами, основанными на LLM и многоагентных подходах, в 13 случаях. Успех объясняется более высокоуровневым исследованием пространства решений.
В отличие от фиксированного масштабирования последовательных или параллельных агентов, SwarmResearch адаптивно распределяет параллелизм на разных глубинах поиска, что позволяет находить более эффективные решения. Такая архитектура напоминает рой, где каждый агент исследует свой вариант, а оркестратор направляет общий вектор.
Разработка может найти применение в автоматическом программировании, поиске уязвимостей, оптимизации алгоритмов и других областях, где требуется исследовать большое пространство возможностей. Исследование опубликовано на arXiv.
