Ajouter plus de canaux de communication entre agents n'améliore pas nécessairement les performances multi-agents. Une expérience contrôlée et reproductible sur 50 exécutions révèle que la récupération est restée remarquablement stable de 20 % à 100 % de la densité de relations. Cependant, à mesure que le réseau devenait plus dense, la proportion d'arêtes réellement utilisées a chuté brusquement, révélant un écart entre la connectivité configurée et la connectivité comportementale.
L'auteur a construit une expérience contrôlée isolant la densité de relations des variables de confusion à l'aide d'une politique d'agent entièrement déterministe au lieu d'appels de modèle en direct. Les résultats montrent que davantage de canaux de communication ne signifient pas automatiquement de meilleures performances. La véritable question d'ingénierie n'est pas combien de connexions existent, mais combien transportent réellement des informations.
L'expérience utilise un nombre fixe de huit agents et évalue cinq niveaux de densité (20 %, 40 %, 60 %, 80 %, 100 %) avec dix essais chacun. Toutes les données proviennent d'exécutions de référence réelles sur Python 3.12, CPU uniquement, sans aucun appel d'API externe. Le système utilise des graphes aléatoires de Erdős–Rényi connectés sans hubs cachés ni règles manuellement ajustées.
Ce travail cible ceux qui sélectionnent des topologies multi-agents par intuition. Le code complet et le protocole d'essai préétabli sont disponibles dans le dépôt GitHub pour une reproduction exacte.
Entités clés : Entreprises : Towards Data Science
Source: Towards Data Science · Résumé par HeadlinesBriefing