LLMAGENTNET: КОЛАБОРАТИВНА МЕРЕЖА АВТОНОМНИХ АГЕНТІВ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ВИКОНАННЯ СКЛАДНИХ ЗАВДАНЬ
Анотація
Досліджено нові можливості, що відкриваються завдяки стрімкому розвитку великих мовних моделей (LLM), особливо у сфері створення автономних агентів штучного інтелекту, здатних до багатокрокового планування та виконання складних завдань. Проаналізовано недоліки наявних мультиагентних фреймворків, зокрема їхню архітектуру, залежність від конкретних інструментів і масштабованість. Для подолання цих обмежень запропоновано LLMAgentNet – модульну мережу взаємодіючих агентів, які співпрацюють завдяки LLM, використовуючи RESTful API як універсальний комунікаційний інтерфейс. Такий підхід забезпечує незалежну взаємодію між агентами та зовнішніми інструментами, дає змогу ділити запити високого рівня на підзавдання та виконувати їх автономно на підставі специфікації OpenAPI. У системі передбачено спеціальний менеджер агента (англ. Orchestrator), який відповідає за декомпозицію запитів, вибір виконавців та узгодження потоків даних між агентами. Інтеграція механізмів динамічної реконфігурації та підтримка зовнішніх агентів, розгорнутих на окремих віртуальних серверах, робить LLMAgentNet гнучкою та масштабованою платформою. Окремо охарактеризовано систему пам'яті агентів, реалізовану через векторну базу даних, що дає змогу зберігати знання, формувати змінні під час виконання завдань і використовувати їх як контекст у наступних кроках. LLMAgentNet підтримує кілька режимів роботи: Human-in-the-Loop, Human-on-the-Loop і Human-out-of-the-Loop, що особливо важливо на етапах розроблення та налагодження системи. Проведено як формальні тести (наприклад, HotPotQA), так і практичне застосування системи у сфері автоматизації контент-маркетингу, де було створено понад 400 статей без участі людини. Отримані результати показали зниження рівня помилок до 3 % після увімкнення модуля рефлексії та зростання продуктивності в понад 20 разів порівняно з ручним створенням контенту із використанням ChatGPT. Унаслідок цього доведено ефективність LLMAgentNet як системи для реалізації складних задач із перспективою застосування у майбутніх автономних інтелектуальних системах та поступу в напрямі AGI (англ. Artificial General Intelligence).
Завантаження
Посилання
Agent Network Protocol Contributors. (2025). Agent Network Protocol (ANP). URL: https://github.com/agent-network-protocol/AgentNetworkProtocol
Agent Network Protocol Contributors. (2025). Agent Network Protocol Official Website. URL: https://agent-network-protocol.com/
Chang, Y., Wang, X., Wang, J., Wu, Y., Yang, L., Zhu, K., Chen, H., et al. (2024). A survey on evaluation of large language models. ACM Transactions on Intelligent Systems and Technology, 15(3), 1–45. arXiv. URL: https://arxiv.org/abs/2307.03109
Chen, W., You, Z., Li, R., Guan, Y., Qian, C., Zhao, C., Yang, C., Xie, R., Liu, Z., & Sun, M. (2024). Internet of agents: Weaving a web of heterogeneous agents for collaborative intelligence. arXiv. https://doi.org/10.48550/arXiv.2407.07061
Chowdhery, A., Narang, S., Devlin, J., Bosma, M., Mishra, G., Roberts, A., Barham, P., et al. (2022). PaLM: Scaling language modeling with Pathways. arXiv. https://doi.org/10.48550/arXiv.2204.02311
Deng, X., Gu, Y., Zheng, B., Chen, S., Stevens, S., Wang, B., Sun, H., & Su, Y. (2023). Mind2Web: Towards a generalist agent for the web. arXiv. https://doi.org/10.48550/arXiv.2306.06070
Google. (2025). Agent2Agent (A2A) Protocol Documentation. URL: https://google.github.io/A2A/
Guo, T., Chen, X., Wang, Y., Chang, R., Pei, S., Chawla, N. V., Wiest, O., & Zhang, X. (2024). Large language model based multi-agents: A survey of progress and challenges. arXiv. https://doi.org/10.48550/arXiv.2402.01680
Han, S., Zhang, Q., Yao, Y., Jin, W., Xu, Z., & He, C. (2024). LLM multi-agent systems: Challenges and open problems. arXiv. https://doi.org/10.48550/arXiv.2402.03578
Harper, J. (2024). AutoGenesisAgent: Self-generating multi-agent systems for complex tasks. arXiv. https://doi.org/10.48550/arXiv.2404.17017
He, P., Lin, Y., Dong, S., Xu, H., Xing, Y., & Liu, H. (2025). Red-teaming LLM multi-agent systems via communication attacks. arXiv. https://doi.org/10.48550/arXiv.2502.14847
Hong, S., Zhuge, M., Chen, J., Zheng, X., Cheng, Y., Zhang, C., Wang, J., et al. (2023). MetaGPT: Meta programming for a multi-agent collaborative framework. arXiv. https://doi.org/10.48550/arXiv.2308.00352
IBM BeeAI. (2025). Introduction to Agent Communication Protocol (ACP). URL: https://docs.beeai.dev/acp/alpha/introduction
Jimenez, C. E., Yang, J., Wettig, A., Yao, S., Pei, K., Press, O., & Narasimhan, K. R. (2024). SWE-bench: Can language models resolve real-world GitHub issues? In The Twelfth International Conference on Learning Representations. URL: https://openreview.net/forum?id=VTF8yNQM66
Liu, X., Yu, H., Zhang, H., Xu, Y., Lei, X., Lai, H., Gu, Y., et al. (2023). AgentBench: Evaluating LLMs as agents. arXiv. https://doi.org/10.48550/arXiv.2308.03688
Liu, Xiangzheng, Liu, Jianxun, Kang, Guosheng, Shi, Min, Liu, Yi, & Yin, Yiming. (2025, December). On the effectiveness of large language models for query expansion in code search. Journal of Systems and Software, Vol. 230, article ID 112582. https://doi.org/10.1016/j.jss.2025.112582
Liu, Z., Yao, W., Zhang, J., Xue, L., Heinecke, S., Murthy, R., Feng, Y., et al. (2023). BOLAA: Benchmarking and orchestrating LLM-augmented autonomous agents. arXiv. https://doi.org/10.48550/arXiv.2308.05960
Liu, Z., Yao, W., Zhang, J., Yang, L., Liu, Z., Tan, J., Choubey, P. K., et al. (2024). AgentLite: A lightweight library for building and advancing task-oriented LLM agent systems. arXiv. https://doi.org/10.48550/arXiv.2402.15538
Mirowski, P., Mathewson, K. W., Pittman, J., & Evans, R. (2022). Co-writing screenplays and theatre scripts with language models: An evaluation by industry professionals. arXiv. https://doi.org/10.48550/arXiv.2209.14958
Model Context Protocol. (2025). Introduction to Model Context Protocol (MCP). URL: https://modelcontextprotocol.io/introduction
Nakajima, Y. (2023). BabyAGI. URL: https://github.com/yoheinakajima/babyagi
Nguyen, M. H., Chau, T. P., Nguyen, P. X., & Bui, N. D. Q. (2024). AgileCoder: Dynamic collaborative agents for software development based on agile methodology. arXiv. https://doi.org/10.48550/arXiv.2406.11912
OpenAI, Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Leoni Aleman, F., et al. (2024). GPT-4 technical report. arXiv. https://doi.org/10.48550/arXiv.2303.08774
OpenAI. (2024). Hello GPT-4o. URL: https://openai.com/index/hello-gpt-4o/
OpenAI. (2024). Swarm: Stateless multi-agent coordination via JSON-RPC routines. URL: https://platform.openai.com/docs/models/swarm
Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., Zhang, C., et al. (2022). Training language models to follow instructions with human feedback. In Oh, A. H., Agarwal, A., Belgrave, D., & Cho, K. (Eds.), Advances in Neural Information Processing Systems. URL: https://openreview.net/forum?id= TG8KACxEON
Patil, S. G., Zhang, T., Wang, X., & Gonzalez, J. E. (2023). Gorilla: Large language model connected with massive APIs. arXiv. https://doi.org/10.48550/arXiv.2305.15334
Qian, C., Liang, S., Qin, Y., Ye, Y., Cong, X., Lin, Y., Wu, Y., Liu, Z., & Sun, M. (2024). Investigate-Consolidate-Exploit: A general strategy for inter-task agent self-evolution. arXiv. https://doi.org/10.48550/arXiv.2401.13996
Qin, Y., Liang, S., Ye, Y., Zhu, K., Yan, L., Lu, Y., Lin, Y., et al. (2023). ToolLLM: Facilitating large language models to master 16000+ real-world APIs. arXiv. https://doi.org/10.48550/arXiv.2307.16789
Rome, S., Chen, T., Tang, R., Zhou, L., & Ture, F. (2024). Ask me anything: How Comcast uses LLMs to assist agents in real time. In Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2827–2831. https://doi.org/10.1145/3626772.3661345
Schick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Zettlemoyer, L., Cancedda, N., & Scialom, T. (2023). Toolformer: Language models can teach themselves to use tools. arXiv. https://doi.org/10.48550/arXiv.2302.04761
Shinn, N., Cassano, F., Berman, E., Gopinath, A., Narasimhan, K., & Yao, S. (2023). Reflexion: Language agents with verbal reinforcement learning. arXiv. https://doi.org/10.48550/arXiv.2303.11366
Shinn, N., Labash, B., & Gopinath, A. (2023). Reflexion: An autonomous agent with dynamic memory and self-reflection. arXiv. https://doi.org/10.48550/arXiv.2303.11366
Significant Gravitas. (2023). AutoGPT. URL: https://github.com/Significant-Gravitas/Auto-GPT
SmolAgents Project. (2024). SmolAgents: A single-file Python library for multi-modal LLM agent prototyping. URL: https://github.com/smolagents/smolagents
Song, Y., Xiong, W., Zhu, D., Wu, W., Qian, H., Song, M., Huang, H., et al. (2023). RestGPT: Connecting large language models with real-world RESTful APIs. arXiv. https://doi.org/10.48550/arXiv.2306.06624
Touvron, H., Martin, L., Stone, K., Albert, P., Almahairi, A., Babaei, Y., Bashlykov, N., et al. (2023). Llama 2: Open foundation and fine-tuned chat models. arXiv. URL: https://arxiv.org/abs/2307.09288v2
Wang, B., Li, Y., Lv, Z., Xia, H., Xu, Y., & Sodhi, R. (2024). LAVE: LLM-powered agent assistance and language augmentation for video editing. arXiv. https://doi.org/10.48550/arXiv.2402.10294
Wang, X., Chen, Y., Yuan, L., Zhang, Y., Li, H., Peng, & Ji, H. (2024). Executable code actions elicit better LLM agents. arXiv. https://doi.org/10.48550/arXiv.2402.01030
Wu, Q., Bansal, G., Zhang, J., Wu, Y., Li, B., Zhu, E., Jiang, L., et al. (2023). AutoGen: Enabling next-gen LLM applications via multi-agent conversation. arXiv. https://doi.org/10.48550/arXiv.2308.08155
Xi, Z., Chen, W., Guo, X., He, W., Ding, Y., Hong, B., Zhang, M., et al. (2023). The rise and potential of large language model-based agents: A survey. arXiv. https://doi.org/10.48550/arXiv.2309.07864
Xu, Z., Yu, C., Fang, F., Wang, Y., & Wu, Y. (2024). Language agents with reinforcement learning for strategic play in the Werewolf game. arXiv. https://doi.org/10.48550/arXiv.2310.18940
Yang, Z., Qi, P., Zhang, S., Bengio, Y., Cohen, W. W., Salakhutdinov, R., & Manning, C. D. (2018). HotpotQA: A dataset for diverse, explainable multi-hop question answering. arXiv. https://doi.org/10.48550/arXiv.1809.09600
Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T. L., Cao, Y., & Narasimhan, K. (2023). Tree of thoughts: Deliberate problem solving with large language models. arXiv. https://doi.org/10.48550/arXiv.2305.10601
Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. arXiv. https://doi.org/10.48550/arXiv.2210.03629
Ye, Q., Axmed, M., Pryzant, R., & Khani, F. (2024). Prompt engineering a prompt engineer. arXiv. https://doi.org/10.48550/arXiv.2311.05661
Zhang, X., Chen, X., Liu, Y., Wang, J., Hu, Z., & Yan, R. (2024). LLM-driven agents for influencer selection in digital advertising campaigns. arXiv. https://doi.org/10.48550/arXiv.2403.15105
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
