Automatische Samenstelling van Agents: Een Knapzakbenadering voor de Selectie van Agentische Componenten

Automated Composition of Agents: A Knapsack Approach for Agentic Component Selection

October 18, 2025

Auteurs: Michelle Yuan, Khushbu Pahwa, Shuaichen Chang, Mustafa Kaba, Jiarong Jiang, Xiaofei Ma, Yi Zhang, Monica Sunkara

cs.AI

Samenvatting

Het ontwerpen van effectieve agentische systemen vereist de naadloze samenstelling en integratie van agents, tools en modellen binnen dynamische en onzekere omgevingen. De meeste bestaande methoden vertrouwen op statische, semantische retrievalbenaderingen voor het ontdekken van tools of agents. Echter blijft effectief hergebruik en samenstelling van bestaande componenten een uitdaging vanwege onvolledige beschrijvingen van capaciteiten en de beperkingen van retrievalmethoden. De selectie van componenten lijdt omdat beslissingen niet gebaseerd zijn op capaciteit, kosten en realtime nut. Om deze uitdagingen aan te pakken, introduceren we een gestructureerd, geautomatiseerd framework voor de samenstelling van agentische systemen dat geïnspireerd is door het knapzakprobleem. Ons framework stelt een componerende agent in staat om systematisch een optimale set van agentische componenten te identificeren, selecteren en assembleren door prestaties, budgetbeperkingen en compatibiliteit gezamenlijk in overweging te nemen. Door dynamisch kandidaat-componenten te testen en hun nut in realtime te modelleren, stroomlijnt onze aanpak de assemblage van agentische systemen en vergemakkelijkt het schaalbaar hergebruik van resources. Empirische evaluatie met Claude 3.5 Sonnet over vijf benchmarkdatasets toont aan dat onze online-knapsack-gebaseerde componist consistent op de Pareto-grens ligt, met hogere slagingspercentages tegen aanzienlijk lagere componentkosten in vergelijking met onze baseline-methoden. In de single-agent-opstelling toont de online knapsack-componist een verbetering van het slagingspercentage tot 31,6% in vergelijking met de retrieval-baselines. In multi-agent-systemen verhoogt de online knapsack-componist het slagingspercentage van 37% naar 87% wanneer agents worden geselecteerd uit een agenteninventaris van 100+ agents. Het aanzienlijke prestatieverschil bevestigt de robuuste aanpasbaarheid van onze methode over diverse domeinen en budgetbeperkingen.

English

Designing effective agentic systems requires the seamless composition and integration of agents, tools, and models within dynamic and uncertain environments. Most existing methods rely on static, semantic retrieval approaches for tool or agent discovery. However, effective reuse and composition of existing components remain challenging due to incomplete capability descriptions and the limitations of retrieval methods. Component selection suffers because the decisions are not based on capability, cost, and real-time utility. To address these challenges, we introduce a structured, automated framework for agentic system composition that is inspired by the knapsack problem. Our framework enables a composer agent to systematically identify, select, and assemble an optimal set of agentic components by jointly considering performance, budget constraints, and compatibility. By dynamically testing candidate components and modeling their utility in real-time, our approach streamlines the assembly of agentic systems and facilitates scalable reuse of resources. Empirical evaluation with Claude 3.5 Sonnet across five benchmarking datasets shows that our online-knapsack-based composer consistently lies on the Pareto frontier, achieving higher success rates at significantly lower component costs compared to our baselines. In the single-agent setup, the online knapsack composer shows a success rate improvement of up to 31.6% in comparison to the retrieval baselines. In multi-agent systems, the online knapsack composer increases success rate from 37% to 87% when agents are selected from an agent inventory of 100+ agents. The substantial performance gap confirms the robust adaptability of our method across diverse domains and budget constraints.