Беспорядочная выборка задач для обучения мультиагентных систем (LLM-MAS) — это верный способ сжечь бюджет и получить на выходе операционную нестабильность. Сегодня индустриальным стандартом считается использование предопределенных или полносвязных графов взаимодействия, что Хучень Ян и его коллеги из Университета Висконсин-Мэдисон называют фундаментальной ошибкой. Ситуация выглядит абсурдно: бесконтрольные диалоги агентов не просто раздувают счета за токены, но и позволяют галлюцинациям или некачественным рассуждениям «заражать» всю сеть. Для бизнеса это означает прямую корреляцию между избыточной коммуникацией и операционными расходами (TCO) без какой-либо гарантии точности.
Чтобы обуздать этот хаос, исследователи представили фреймворк активного обучения на базе теоретико-информационного подхода. Вместо того чтобы распылять ресурсы на случайный пул задач, система отбирает только самые «информативные» кейсы для оптимизации структуры графа. В основе метода лежит ансамблевая инверсия Калмана (Ensemble Kalman Inversion) — безградиентный метод, позволяющий аппроксимировать байесовские обновления и вычислять, какие именно задачи заставят граф связей эволюционировать максимально эффективно. Это критически важно для работы с закрытыми системами (black-box), где традиционные градиентные оценки обходятся слишком дорого или попросту тонут в шуме.
Парадокс, который подтверждают Ян и его команда, заключается в том, что принудительное «молчание» агентов повышает итоговую точность. Удаление избыточных ребер в графе — по сути, изоляция менее надежных звеньев — показало отличные результаты в таких сложных доменах, как клиническая поддержка принятия решений и научное машинное обучение. Чтобы система не захлебнулась при масштабировании, авторы внедрили выборку на основе эмбеддингов и батчевую выборку Томпсона. Это превращает процесс из простой гонки за размером моделей в вдумчивое проектирование дисциплинированных взаимодействий.
Экономический эффект здесь очевиден: структурированный граф становится не только инструментом экономии, но и активом безопасности. Исследование доказывает, что метод сохраняет устойчивость даже при атаках на отдельных агентов. Для техлидов и архитекторов это явный сигнал: эпоха «болтливого» ИИ подходит к концу. В вертикальных AI-решениях топология сети должна проектироваться так же тщательно, как и веса самих моделей. Похоже, в гонке за агентской эффективностью победит не тот, кто генерирует больше контента, а тот, кто знает, когда лучше промолчать.