Исследование: масштаб системы становится главным ограничением для оркестрации мультиагентного Enterprise AI
Работа, опубликованная на arXiv, посвящена оркестрации мультиагентных систем для Enterprise AI. Речь идет о средах, где системе нужно постоянно отслеживать события, обнаруживать их и запускать действия через специализированных агентов. Авторы отмечают проблему: многие существующие решения по-прежнему строятся вокруг дискретной модели запрос–ответ, а их поведение в корпоративном масштабе пока изучено слабо.
В исследовании сравниваются два подхода, DAG Plan and Execute и ReAct. Оценка проведена на 208 сценариях, сформированных на основе производственных задач. Эксперименты охватывают три уровня масштаба: Persona (менее 10 агентов), Department (20–80) и Enterprise (200). Для поддержки непрерывной работы авторы добавили компонент Task Manager. В него входят функции priority inference, related-event merging и preemption.
Результаты показывают, что на эффективность оркестрации сильнее влияет масштаб системы, а не сложность самой задачи. На небольших конфигурациях обе архитектуры работают стабильно. Однако на уровне Enterprise качество заметно падает: основным узким местом становится шум при обнаружении агентов. Интересно, что простые задачи начинают деградировать быстрее, чем более сложные.
Подход DAG Plan and Execute дает более высокую точность и лучше справляется со структурированной параллелизацией на небольших масштабах. Но по мере роста системы его накладные расходы становятся все заметнее. ReAct, напротив, показал большую устойчивость благодаря инкрементальной обработке сбоев. В экспериментах Task Manager сократил задержку очереди для задач с высоким приоритетом на 14–75% и повысил корректность обработки связанных событий более чем на 20 процентных пунктов.
Ключевые факты
Исследование оценивает архитектуры DAG Plan and Execute и ReAct на 208 производственных сценариях предприятия в трёх масштабах: Persona (<10 агентов), Department (20-80) и Enterprise (200).
Результаты показывают, что на производительность оркестрации сильнее влияет масштаб системы, а не сложность задачи; на уровне Enterprise основным узким местом становится шум при обнаружении агентов.
DAG Plan and Execute демонстрирует более высокую точность и структурированную параллелизацию на малом масштабе, но его накладные расходы усиливаются на уровне Enterprise, тогда как ReAct оказывается более устойчивым благодаря инкрементальной обработке сбоев.
Предложенный Task Manager снижает задержку очереди для высокоприоритетных задач на 14–75% и повышает корректность обработки связанных событий более чем на 20 процентных пунктов.