В переговорах агентов LLM оказалась не главным улучшением

В распределённом планировании задач главный выигрыш дала не «магия LLM», а возможность агентам несколько раз пересматривать свои предложения. Языковая модель оказалась полезна там, где контекст трудно формализовать, но жёсткие ограничения всё равно пришлось оставить детерминированными.

Переговоры важнее красивого текста

В MAS-DecStream агенты edge-кластеров обмениваются предложениями о переносе нагрузки через расширенный Contract Net Protocol. Они раскрывают контекст постепенно, корректируют заявки в несколько раундов и сохраняют историю переговоров.

При этом модель не получает право единолично решать, можно ли выделить ресурс. Ограничения по ресурсам и QoS проверяются детерминированно. Это здравый компромисс: LLM разбирает неоднозначные условия, а критические правила не отдаются на откуп вероятностному генератору.

В экспериментах на данных Alibaba ASI Trace система снизила долю нарушений задержки до 3%, устранила перераспределение ресурсов сверх доступного объёма, достигла коэффициента разрешения конфликтов 0,91 при 20 агентах и повысила полезность максимум на 22% относительно многораундового правила-ориентированного базового варианта.

Но важнее не сами проценты, а сравнение конфигураций. Авторы отдельно проверяли одно- и многораундовые переговоры, обычное и LLM-assisted уточнение предложений, а также разные режимы работы модели. Из этого следует неприятный для маркетинга вывод: сначала стоит улучшать протокол взаимодействия, и только потом добавлять LLM.

Где LLM всё-таки оправдана

Языковая модель приносит пользу, когда агентам нужно учитывать качественный или неполный runtime-контекст: не только числовую загрузку, но и описание текущей ситуации, неопределённость прогноза или условия, которые неудобно заранее свести к правилам.

Однако это не бесплатный слой интеллекта. Отдельная проверка на 25 случаях показала зависимость точности и стоимости от выбранной модели и промпта. То есть универсального режима «подключили LLM — стало лучше» работа не подтверждает.

Ограничения исследования тоже важны: результаты получены на конфигурациях, выведенных из Alibaba ASI Trace, а сами авторы называют их первоначальными свидетельствами. Не стоит воспринимать 3% нарушений или прирост полезности как гарантию для любой edge-инфраструктуры. Остаются вопросы о переносимости на другие нагрузки, стоимости переговоров и устойчивости к ошибкам самой модели.

Практический рецепт здесь довольно скучный, зато рабочий: оставить правилами проверку ресурсов и QoS, дать агентам несколько раундов для пересмотра решений, а LLM использовать только на участке с неопределённым контекстом. В такой архитектуре модель не заменяет планировщик, а помогает ему договариваться там, где заранее написанных правил недостаточно.

Если бы вам пришлось выбирать для своей системы только одно улучшение — многораундовые переговоры агентов или подключение LLM, — что вы бы внедрили первым? Источник: cs.AI updates on arXiv.org