Ant Group i HKUST zmieniają agentów AI w ewoluujące meta-umiejętności

Modele językowe AI przestają działać solo. W złożonych zadaniach - głęboka analiza danych, matematyka na poziomie eksperckim, wieloetapowe wyszukiwanie informacji - jeden model to za mało. Potrzebujesz zespołu. Jeden agent rozbija zadanie, drugi szuka danych, trzeci weryfikuje wyniki, czwarty składa odpowiedź.

Problem? Nikt nie wie, jak automatycznie zaprojektować taki zespół. Dotychczasowe podejścia to albo przeszukiwanie w czasie inferencji (drogie, bez pamięci doświadczeń), albo fine-tuning małych modeli (ograniczony zasięg, nie działa na zamkniętych modelach frontier).

Ant Group i Hong Kong University of Science and Technology (Guangzhou) pokazują trzecią drogę: Skill-MAS. Framework, który zamienia wiedzę o projektowaniu systemów wieloagentowych w ewoluujące meta-umiejętności zapisane jako tekst. Bez zmiany parametrów modelu.

Trzy moduły zamiast czarnej skrzynki

Skill-MAS rozbija projektowanie systemu wieloagentowego na trzy konkretne elementy. Pierwszy: szablony dekompozycji zadań - jak rozbić złożony problem na mniejsze kroki. Drugi: strategie przypisywania ról - który agent za co odpowiada. Trzeci: wzorce topologii przepływu pracy - jak agenci się komunikują.

Ta struktura pozwala precyzyjnie zdiagnozować, gdzie system się myli. Problem leży w złym podziale zadania? W nieodpowiednim przypisaniu ról? W kiepskiej komunikacji między agentami? Zamiast zgadywać, system wie.

W każdym cyklu ewolucji Skill-MAS uruchamia to samo zadanie wielokrotnie pod kontrolą aktualnej meta-umiejętności. Zapisuje każdą wygenerowaną architekturę, proces pośredni, końcowy wynik. Używa metryk niepewności i trudności, żeby odróżnić losowy szum od strukturalnych błędów projektowych.

Ewolucja przez refleksję, nie przez gradient

Kluczowa różnica: Skill-MAS nie aktualizuje wag modelu. Aktualizuje tekstowy opis tego, jak projektować systemy. Model frontier (Gemini, GPT-5, DeepSeek) pozostaje zamrożony - jego "doświadczenie" rośnie przez wieloetapową refleksję i korektę.

To pozwala wykorzystać najnowsze zamknięte modele bez dostępu do ich parametrów. I przenosić meta-umiejętności między modelami - raz wyewoluowana wiedza działa na różnych LLM-ach.

Cztery benchmarki, jeden wniosek

Zespół przetestował framework na DeepResearchBench, Humanity's Last Exam-Math, BrowseComp-Plus i VitaBench. Modele: Gemini 3.1 Flash, GPT 5.4 Nano, Qwen 3.5 Plus, DeepSeek-V4-Flash.

Zoptymalizowana wersja Skill-MAS wygrała w większości ustawień. Najwyższa średnia wydajność na wszystkich czterech modelach. Kluczowa zaleta: po wyewoluowaniu meta-umiejętności generacja systemu wieloagentowego w czasie testu to jeden krok. Bez przeszukiwania per zadanie.

Lepszy balans wydajność-koszt niż metody inference-time (które muszą szukać za każdym razem) i training-time (które są ograniczone pojemnością małego modelu).

Jeden krok zamiast iteracyjnego szukania

Tradycyjne podejścia inference-time dla każdego nowego zadania muszą przeszukiwać przestrzeń możliwych architektur. Drogie, czasochłonne. Skill-MAS robi to raz - w fazie ewolucji meta-umiejętności. Potem: jedno wywołanie modelu, gotowa architektura.

To zmienia ekonomię systemów agentowych. Zamiast płacić za przeszukiwanie przy każdym zadaniu, płacisz raz za wyewoluowanie wiedzy. Potem korzystasz wielokrotnie.

Co to zmienia dla zamkniętych modeli

Największa wartość Skill-MAS: działa na modelach frontier bez dostępu do parametrów. GPT-5, Gemini 3.1, Claude Opus 4.7 - wszystkie zamknięte, bez możliwości fine-tuningu. Dotychczas automatyczne projektowanie systemów wieloagentowych na tych modelach wymagało kosztownego przeszukiwania w czasie inferencji.

Skill-MAS pozwala "nauczyć" zamknięty model projektowania systemów przez tekstową meta-umiejętność. Model nie wie, że się "uczy" - po prostu dostaje lepszy prompt z nagromadzoną wiedzą projektową.

Dla firm korzystających z API zewnętrznych modeli to konkretna oszczędność. Zamiast płacić za wielokrotne próby generacji architektury dla każdego zadania, płacisz raz za ewolucję meta-umiejętności. Potem używasz jej wielokrotnie przy minimalnym koszcie.

Transfer między modelami

Meta-umiejętność wyewoluowana na jednym modelu może działać na innym. Wiedza o dekompozycji zadań, przypisywaniu ról i topologii przepływu pracy nie jest specyficzna dla konkretnego LLM-a. To uniwersalne wzorce projektowe.

Testowali to na czterech różnych modelach - i meta-umiejętność działała na wszystkich. Nie musisz ewoluować osobnej wiedzy dla każdego modelu. Raz wyewoluowana, wielokrotnie używana - nawet gdy zmieniasz dostawcę API.

Ograniczenia, o których warto wiedzieć

Skill-MAS nie jest magią. Ewolucja meta-umiejętności wymaga wielokrotnego uruchomienia zadań pod kontrolą aktualnej wersji wiedzy. To koszt początkowy - mniejszy niż ciągłe przeszukiwanie, wciąż wymaga budżetu tokenów.

Framework działa najlepiej, gdy masz zestaw podobnych zadań. Jeśli każde zadanie jest radykalnie inne, meta-umiejętność nie ma czego uogólnić. Największa wartość: powtarzalne typy problemów (analiza danych, matematyka, research) gdzie wzorce projektowe się powtarzają.

I nie rozwiązuje fundamentalnego problemu: jeśli model bazowy jest słaby, nawet najlepsza orkiestracja nie zrobi cudów. Jakość agentów zależy od jakości modelu. Skill-MAS optymalizuje architekturę, nie możliwości samego LLM-a.

Najczęstsze pytania

Czym różni się Skill-MAS od tradycyjnego fine-tuningu agentów AI?

Skill-MAS nie zmienia parametrów modelu - ewoluuje tekstowy opis wiedzy projektowej. To pozwala działać na zamkniętych modelach frontier (GPT-5, Gemini 3.1, Claude Opus 4.7) bez dostępu do wag. Fine-tuning wymaga dostępu do parametrów i jest ograniczony do mniejszych modeli open-source.

Czy meta-umiejętności z Skill-MAS działają na różnych modelach AI?

Tak. Zespół przetestował framework na czterech różnych modelach (Gemini 3.1 Flash, GPT 5.4 Nano, Qwen 3.5 Plus, DeepSeek-V4-Flash) i meta-umiejętność działała na wszystkich. Wiedza o projektowaniu systemów wieloagentowych nie jest specyficzna dla konkretnego LLM-a.

Ile kosztuje wyewoluowanie meta-umiejętności w Skill-MAS?

Źródło nie podaje konkretnych kosztów, framework wymaga wielokrotnego uruchomienia zadań w fazie ewolucji. To koszt początkowy w tokenach API. Kluczowa zaleta: po wyewoluowaniu meta-umiejętności generacja architektury dla nowego zadania to jeden krok - bez kosztownego przeszukiwania per zadanie jak w metodach inference-time.

Dla jakich zastosowań Skill-MAS działa najlepiej?

Framework sprawdza się w powtarzalnych typach problemów: głęboka analiza danych, matematyka na poziomie eksperckim, wieloetapowe wyszukiwanie informacji, użycie narzędzi. Jeśli każde zadanie jest radykalnie inne, meta-umiejętność nie ma czego uogólnić. Największa wartość: gdy wzorce projektowe się powtarzają.