Автоматизированная композиция агентов: подход на основе задачи о рюкзаке для выбора агентных компонентов

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

October 18, 2025

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

cs.AI

Аннотация

Создание эффективных агентных систем требует бесшовной композиции и интеграции агентов, инструментов и моделей в динамических и неопределенных средах. Большинство существующих методов полагаются на статические семантические подходы для поиска инструментов или агентов. Однако эффективное повторное использование и композиция существующих компонентов остаются сложными задачами из-за неполных описаний возможностей и ограничений методов поиска. Выбор компонентов страдает, поскольку решения не основываются на возможностях, стоимости и полезности в реальном времени. Для решения этих проблем мы представляем структурированный автоматизированный фреймворк для композиции агентных систем, вдохновленный задачей о рюкзаке. Наш фреймворк позволяет агенту-композитору систематически идентифицировать, выбирать и собирать оптимальный набор агентных компонентов, учитывая производительность, бюджетные ограничения и совместимость. Динамически тестируя кандидатов и моделируя их полезность в реальном времени, наш подход упрощает сборку агентных систем и способствует масштабируемому повторному использованию ресурсов. Эмпирическая оценка с использованием Claude 3.5 Sonnet на пяти наборах данных показывает, что наш композитор на основе онлайн-задачи о рюкзаке стабильно находится на границе Парето, достигая более высоких показателей успешности при значительно меньших затратах на компоненты по сравнению с базовыми методами. В однозадачной конфигурации композитор на основе онлайн-задачи о рюкзаке демонстрирует улучшение показателя успешности до 31,6% по сравнению с базовыми методами поиска. В мультиагентных системах композитор увеличивает показатель успешности с 37% до 87% при выборе агентов из инвентаря, содержащего более 100 агентов. Значительный разрыв в производительности подтверждает устойчивую адаптивность нашего метода в различных областях и при различных бюджетных ограничениях.

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.