Големите езикови модели тласкат AI агентите от еднократно отговаряне на въпроси към многоролево сътрудничество. При сложни задачи като задълбочени изследвания, математически разсъждения на експертно ниво, многократни отговори на въпроси и използване на инструменти в реалния свят, един модел често не може да се справи с всеки етап независимо. Идеалният подход е да имате множество агенти, работещи заедно: някои разлагат задачи, други извличат информация, някои проверяват резултатите, а трети синтезират отговори.
Но истинското предизвикателство се крие в това как автоматично да се проектират такива мултиагентни системи. Съществуващите подходи за автоматично проектиране на многоагентна система попадат в два лагера: оркестрация на времето за извод, която използва замразени гранични модели за многократно търсене и оптимизиране на архитектури, но липсва натрупване на опит; и оркестрация на времето за обучение, която прецизира по-малките модели за генериране на мултиагентни системи, но е ограничена от капацитета на малкия модел и трудно се прехвърля към гранични модели със затворен код.
За да се справят с тази дилема, Ant Group и Хонконгският университет за наука и технологии (Гуанджоу) предложиха Skill-MAS (мултиагентни системи чрез развиващи се мета-умения). Вместо да актуализира параметрите на модела, Skill-MAS абстрахира знанията за проектиране на многоагентни системи в еволюиращо текстово мета-умение. Това позволява дори на замразени гранични LLM непрекъснато да натрупват опит в проектирането на системата чрез многократно изпълнение, отражение и корекция.
Мета-умението се състои от три модула: шаблони за декомпозиция на задачи за разбиване на сложни проблеми, стратегии за разпределяне на ролите за възлагане на отговорности на агенти и модели на топология на работния поток за дефиниране на комуникационни структури. Това скеле позволява на системата точно да идентифицира дали проблемите произтичат от неправилна декомпозиция на задачите, неподходящо присвояване на роли или лош дизайн на работния процес.
Във всеки цикъл на развитие Skill-MAS изпълнява многотраекторно внедряване, изпълнявайки една и съща задача многократно под текущите насоки за мета-умение и записвайки всяка генерирана архитектура, междинен процес и краен резултат. Системата използва показатели за несигурност и трудност, за да разграничи произволния шум при изпълнение от недостатъците на структурния дизайн.
Експерименталните резултати в четири сложни бенчмарка показаха значителни подобрения. Рамката беше тествана на DeepResearchBench, Humanity’s Last Exam-Math, BrowseComp-Plus и VitaBench с помощта на модели, включително Gemini 3.1 Flash, GPT 5.4 Nano, Qwen 3.5 Plus и DeepSeek-V4-Flash. Оптимизираната версия на Skill-MAS надмина базовите линии в повечето настройки, постигайки най-високата средна производителност във всичките четири модела. Ключовото предимство е, че след като мета-умението бъде развито, генерирането на тестово време на мултиагентната система е процес от една стъпка без търсене по задача, постигайки по-добър баланс между производителност и цена, отколкото методите за време за извод и време за обучение.