Adicionar mais caminhos de comunicação entre agentes não melhora necessariamente o desempenho multiagente. Um experimento controlado e reproduzível de 50 execuções revela que a recuperação permaneceu notavelmente estável de 20% a 100% da densidade de relações. No entanto, à medida que a rede se tornou mais densa, a fração de arestas realmente utilizadas caiu abruptamente, expondo uma lacuna entre a conectividade configurada e a conectividade comportamental.
O autor construiu um experimento controlado isolando a densidade de relações de variáveis de confusão usando uma política de agente totalmente determinística em vez de chamadas de modelo ao vivo. Os achados mostram que mais caminhos de comunicação não significam automaticamente um desempenho melhor. A verdadeira pergunta de engenharia não é quantas conexões existem, mas quantas realmente carregam informações.
O experimento usa uma contagem fixa de oito agentes e avalia cinco níveis de densidade (20%, 40%, 60%, 80%, 100%) com dez ensaios cada. Todos os dados vêm de execuções de referência reais no Python 3.12, CPU apenas, sem chamadas externas de API. O sistema usa grafos aleatórios de Erdős–Rényi conectados sem hubs ocultos ou regras manualmente ajustadas.
Este trabalho visa aqueles que selecionam topologias multiagente por intuição. O código completo e o protocolo de teste predefinido estão disponíveis no repositório GitHub para reprodução exata.
Entidades-chave: Empresas: Towards Data Science
Fonte: Towards Data Science · Resumido por HeadlinesBriefing