Інформаційні технології та комп'ютерна техніка

АВТОМАТИЗОВАНЕ ПЛАНУВАННЯ В ІНТЕЛЕКТУАЛЬНИХ РОЗПОДІЛЕНИХ СИСТЕМАХ МУЛЬТИАГЕНТНИМ ПІДХОДОМ НА БАЗІ LLM

Автор(и)

О. О. Медяков
Національний університет «Львівська політехніка» ROR
М. Ю. Хорканін
Національний університет «Львівська політехніка» ROR
DOI https://doi.org/10.31649/1997-9266-2025-179-2-111-117

Ключові слова

LLM агенти автоматизоване планування мультиагентні системи інтелектуальна розподілена інформаційна система великі мовні моделі

Анотація

Представлено новітній підхід до автоматизації управління інтелектуальними розподіленими інформаційними системами (РІС) на основі гібридної мультиагентної архітектури з використанням ШІ-агентів на базі великих мовних моделей (так звані LLM-агенти). Запропонована архітектура складається з дворівневої системи планування, яка включає агента-менеджера для централізованої глобальної декомпозиції завдань та агентів-виконавців для децентралізованого локального процесу задання та оптимізації обчислень на окремих кластерах інтелектуальної розподіленої системи. Для ефективності та оптимізації взаємодії агентів з відповідними середовищами запропоновано використовувати інноваційні методи доступу моделей до довгострокової та короткострокової пам’яті та уніфікацію процесів утилізації доступних агенту-моделі інструментів через генерацію, та відповідне виконання програмного коду, застосовуючи спеціалізований новітній метод промпт-інжинірингу CodeAct. Велика продуктивність CodeAct дозволяє створювати нових агентів, які взаємодіють з середовищами, виконують інтерпретований код та здатні співпрацювати з користувачами за допомогою природної мови. Запропонований підхід потенційно забезпечує агностичність архітектури щодо структури розподіленої системи, тобто дозволяє працювати з комплексними гетерогенними РІС, та щодо типів виконуваних завдань через спеціалізовані компоненти управління та доступу до пам’яті, а також програмним виконанням згенерованих агентами інструкцій. Робота включає опис необхідних вмінь та базових властивостей для використовуваних великих мовних моделей, структури двох типів необхідних агентів, та наборів необхідних інструментів для якісної роботи та взаємодії інтелектуальних агентів системи між собою та зовнішнім середовищем, зокрема керованою РІC. Дослідження пояснює перспективність використання великих мовних моделей та новітніх ШІ-агентів для інтелектуального планування в розподілених обчислювальних середовищах, розкриваючи потенціал штучного інтелекту в автоматизації складних процесів керування.

255 174

Як цитувати

[1]
«АВТОМАТИЗОВАНЕ ПЛАНУВАННЯ В ІНТЕЛЕКТУАЛЬНИХ РОЗПОДІЛЕНИХ СИСТЕМАХ МУЛЬТИАГЕНТНИМ ПІДХОДОМ НА БАЗІ LLM», Вісник ВПІ, вип. 2, с. 111–117, Квіт 2025, doi: 10.31649/1997-9266-2025-179-2-111-117.

Біографії авторів

автор О. О. Медяков, афіліація Національний університет «Львівська політехніка»

студент Інституту комп’ютерних наук та інформаційних технологій

автор М. Ю. Хорканін, афіліація Національний університет «Львівська політехніка»

аспірант кафедри інформаційних систем та мереж

Посилання

V. Smith, S. Forte, C. Ma, M. Takac, M. I. Jordan, and M. Jaggi, “CoCoA: A General Framework for Communication-Efficient Distributed Optimization,” arXiv.org, 2016. https://arxiv.org/abs/1611.02189v2 . Accessed: Jan. 15, 2025.
S. Logie, D. Sabaz and W. A. Gruver, “Combinatorial sliding window scheduling for distributed systems,” SMC’03 Conference Proceedings. 2003 IEEE International Conference on Systems, Man and Cybernetics. Conference Theme – System Security and Assurance (Cat. No.03CH37483), Washington, DC, USA, 2003, vol. 1, pp. 630-635. https://doi.org/10.1109/ICSMC.2003.1243885 .
S. Teerapittayanon, B. McDanel, and K. H. T, “Distributed Deep Neural Networks over the Cloud, the Edge and End Devices,” arXiv.org, 2017. https://arxiv.org/abs/1709.01921v1 . Accessed: Jan. 15, 2025.
H. Karatza, “Scheduling in Distributed Systems,” Lecture Notes in Computer Science, pp. 336-356, 2004, https://doi.org/https://doi.org/10.1007/978-3-540-24663-3_16 .
J. Jiang, F. Wang, J. Shen, S. Kim, and S. Kim, “A Survey on Large Language Models for Code Generation,” arXiv.org, Jun. 01, 2024. https://arxiv.org/abs/2406.00515 .
C. Sypherd, and V. Belle, “Practical Considerations for Agentic LLM Systems,” arXiv.org, 2024. https://arxiv.org/abs/2412.04093 . Accessed: Jan. 16, 2025.
S. Han, Q. Zhang, Y. Yao, W. Jin, Z. Xu, and C. He, “LLM Multi-Agent Systems: Challenges and Open Problems,” arXiv.org, Feb. 05, 2024. https://arxiv.org/abs/2402.03578v1 .
T. Guo, et al., “Large Language Model based Multi-Agents: A Survey of Progress and Challenges,” arXiv.org, 2024. https://arxiv.org/abs/2402.01680v2 . Accessed: Jan. 17, 2025.
М. Хорканін, «Застосування машинного навчання для автоматизованого планування,» Вісник Хмельницького національного університету, серія: Технічні науки, vol. 339, no. 4, pp. 11-14, 2024. https://doi.org/ 10.31891/2307-5732-2024-339-4-1 .
Q. Wang, Z. Wang, Y. Su, H. Tong, and Y. Song, “Rethinking the Bounds of LLM Reasoning: Are Multi-Agent Discussions the Key?” pp. 6106-6131, Jan. 2024. https://doi.org/10.18653/v1/2024.acl-long.331 .
X. Wang, et al., “Executable Code Actions Elicit Better LLM Agents,” arXiv.org, 2024. https://arxiv.org/abs/2402.01030 .
P. Lewis, et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks,” arXiv.org, Apr. 12, 2021. https://arxiv.org/abs/2005.11401 .
A. Singh, A. Ehtesham, S. Kumar, and Khoei Tala Talaei, “Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG,” arXiv.org, 2025. https://arxiv.org/abs/2501.09136 . Accessed: Jan. 20, 2025.
S. Yao, et al., “ReAct: Synergizing Reasoning and Acting in Language Models,” arXiv.org, Mar. 09, 2023. https://arxiv.org/abs/2210.03629 .
Y. Gu, et al., “Middleware for LLMs: Tools Are Instrumental for Language Agents in Complex Environments,” Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing, pp. 7646-7663, Jan. 2024, https://doi.org/10.18653/v1/2024.emnlp-main.436 .