Развертывание мультиагентных систем на базе больших языковых моделей в корпоративной инфраструктуре неизбежно упирается в архитектурный тупик: стандартные механизмы саморефлексии агентов полагаются на непрерывное добавление логов диалогов в контекстное окно. При решении комплексных и длительных задач эта история раздувает расход токенов, засоряет промпты лишним шумом и лишает систему детерминированных триггеров выполнения. Исследователи Хуайюань Яо, Сяооу Лю и Хуа Вэй из Университета штата Аризона, Чарльз Флеминг из Cisco Research и Тяньлун Чэнь из Университета Северной Каролины в Чапел-Хилле разработали фреймворк MASkills, заменяющий хрупкую эпизодическую память исполняемыми процедурными знаниями.
Anthropic ранее формализовала концепцию навыков как структурированных пакетов с описанием триггеров запуска, последовательности действий и внешних API. Вместо того чтобы заставлять модели обрабатывать мегабайты текстовых логов, MASkills работает с операционными процессами как с модульными ресурсами, подключаемыми по запросу.
По определению Anthropic, навык — это структурированный пакет процедурных знаний, определяющий, как агент выполняет класс задач, включая условия вызова, порядок действий и используемые инструменты или ресурсы.
Вместо накопления пассивных логов агенты находят нужные шаблоны действий по компактным описаниям и подгружают подробные пошаговые инструкции строго в момент выполнения.
Оптимизация логики напрямую в пространстве навыков
MASkills исключает классическое дообучение параметров модели, выполняя оптимизацию стратегии непосредственно внутри модульных библиотек навыков агентов. Поскольку эти обновления представляют собой дискретные артефакты — фрагменты кода, скрипты оркестрации и протоколы взаимодействия с инструментами, — фреймворк рассматривает их как эволюционирующее пространство стратегий на уровне естественного языка, а не непрерывные числовые градиенты.
Для распределения вознаграждения между агентами в группе архитектура использует привязанное к навыкам распределение вклада с иерархической агрегацией. Сглаживающий слой оптимизации с импульсом защищает от нестабильной обратной связи на естественном языке, предотвращая катастрофическое забывание. Благодаря этому библиотеки агентов систематически уточняют, формируют, объединяют и очищают исполняемые ресурсы без изменения весов базовой модели.
Тестирование на бенчмарках для ИИ-агентов
Оценка на бенчмарках HotpotQA, LoCoMo и GAIA показала, что динамическая оптимизация навыков превосходит статичные логи промптов и жесткую маршрутизацию подагентов. Команда опубликовала исходный код проекта на GitHub (DaRL-GenAI/MASkills) для независимой проверки.
Для технических лидеров MASkills задает практический вектор развития корпоративного ИИ: рабочие процессы можно описывать в коде, версионировать и модульно развивать, избегая огромных затрат на непрерывное дообучение моделей. Главная инженерная задача теперь смещается в сторону проверки надежности таких текстовых библиотек навыков при работе с динамичными корпоративными API и непредсказуемой производственной средой.