Composição Automatizada de Agentes: Uma Abordagem de Mochila para Seleção de Componentes Agênicos

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

October 18, 2025

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

cs.AI

Resumo

Projetar sistemas agentes eficazes requer a composição e integração perfeita de agentes, ferramentas e modelos em ambientes dinâmicos e incertos. A maioria dos métodos existentes depende de abordagens estáticas de recuperação semântica para a descoberta de ferramentas ou agentes. No entanto, a reutilização e composição eficazes de componentes existentes continuam desafiadoras devido a descrições incompletas de capacidades e às limitações dos métodos de recuperação. A seleção de componentes sofre porque as decisões não são baseadas em capacidade, custo e utilidade em tempo real. Para enfrentar esses desafios, introduzimos uma estrutura automatizada e estruturada para a composição de sistemas agentes, inspirada no problema da mochila. Nossa estrutura permite que um agente compositor identifique, selecione e monte sistematicamente um conjunto ideal de componentes agentes, considerando conjuntamente desempenho, restrições orçamentárias e compatibilidade. Ao testar dinamicamente componentes candidatos e modelar sua utilidade em tempo real, nossa abordagem simplifica a montagem de sistemas agentes e facilita a reutilização escalável de recursos. A avaliação empírica com o Claude 3.5 Sonnet em cinco conjuntos de dados de referência mostra que nosso compositor baseado na mochila online está consistentemente na fronteira de Pareto, alcançando taxas de sucesso mais altas com custos de componentes significativamente menores em comparação com nossas linhas de base. Na configuração de agente único, o compositor da mochila online apresenta uma melhoria na taxa de sucesso de até 31,6% em relação às linhas de base de recuperação. Em sistemas multiagentes, o compositor da mochila online aumenta a taxa de sucesso de 37% para 87% quando os agentes são selecionados de um inventário de mais de 100 agentes. A diferença substancial de desempenho confirma a robusta adaptabilidade de nosso método em diversos domínios e restrições orçamentárias.

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.