AOrchestra: Автоматизация создания саб-агентов для агентной оркестровки

AOrchestra: Automating Sub-Agent Creation for Agentic Orchestration

February 3, 2026

Авторы: Jianhao Ruan, Zhihao Xu, Yiran Peng, Fashen Ren, Zhaoyang Yu, Xinbing Liang, Jinyu Xiang, Bang Liu, Chenglin Wu, Yuyu Luo, Jiayi Zhang

cs.AI

Аннотация

Языковые агенты продемонстрировали значительный потенциал для автоматизации задач. Реализация этого потенциала для решения всё более сложных, долгосрочных задач привела к появлению парадигмы "под-агент-как-инструмент" для многошагового решения задач. Однако в существующих подходах по-прежнему отсутствует динамическое абстрактное представление под-агентов, что снижает адаптивность. Мы решаем эту проблему с помощью унифицированной, независимой от фреймворка абстракции агента, которая моделирует любого агента как кортеж (Инструкция, Контекст, Инструменты, Модель). Этот кортеж выступает в роли композиционного рецепта для возможностей, позволяя системе порождать специализированные исполнители для каждой задачи по требованию. На основе этой абстракции мы представляем агентную систему AOrchestra, в которой центральный оркестратор конкретизирует кортеж на каждом шаге: он формирует релевантный для задачи контекст, выбирает инструменты и модели, а также делегирует выполнение путём динамического автоматического создания агентов. Такая архитектура позволяет сократить трудозатраты на разработку и остаётся независимой от фреймворка с поддержкой plug-and-play для различных агентов в качестве исполнителей задач. Она также обеспечивает контролируемый компромисс между производительностью и стоимостью, позволяя системе приближаться к Парето-эффективности. На трёх сложных наборах задач (GAIA, SWE-Bench, Terminal-Bench) AOrchestra в связке с Gemini-3-Flash демонстрирует относительное улучшение в 16.28% по сравнению с сильнейшим базовым методом. Код доступен по адресу: https://github.com/FoundationAgents/AOrchestra.

English

Language agents have shown strong promise for task automation. Realizing this promise for increasingly complex, long-horizon tasks has driven the rise of a sub-agent-as-tools paradigm for multi-turn task solving. However, existing designs still lack a dynamic abstraction view of sub-agents, thereby hurting adaptability. We address this challenge with a unified, framework-agnostic agent abstraction that models any agent as a tuple Instruction, Context, Tools, Model. This tuple acts as a compositional recipe for capabilities, enabling the system to spawn specialized executors for each task on demand. Building on this abstraction, we introduce an agentic system AOrchestra, where the central orchestrator concretizes the tuple at each step: it curates task-relevant context, selects tools and models, and delegates execution via on-the-fly automatic agent creation. Such designs enable reducing human engineering efforts, and remain framework-agnostic with plug-and-play support for diverse agents as task executors. It also enables a controllable performance-cost trade-off, allowing the system to approach Pareto-efficient. Across three challenging benchmarks (GAIA, SWE-Bench, Terminal-Bench), AOrchestra achieves 16.28% relative improvement against the strongest baseline when paired with Gemini-3-Flash. The code is available at: https://github.com/FoundationAgents/AOrchestra