Ein aktuelles Preprint, LLMA-Mem, stellt den vorherrschenden Ansatz in Frage, Multi-Agent-LLM-Systeme einfach durch Hinzufügen weiterer Agenten zu skalieren. Stattdessen wird ein gedächtnisgestütztes lebenslanges Lernframework vorgeschlagen, das es Agenten ermöglicht, Erfahrungen über die Zeit zu sammeln und wiederzuverwenden – effektiv 'Zeit skalieren' statt 'Teams skalieren'. Das Papier argumentiert, dass aktuelle Multi-Agent-Systeme ineffizient sind, weil jeder Agent neu beginnt und frühere Interaktionen ignoriert. Durch die Integration von episodischem und semantischem Gedächtnis ermöglicht LLMA-Mem Agenten, aus früheren Aufgaben zu lernen, redundante Berechnungen zu reduzieren und die langfristige Leistung zu verbessern. Dies ist besonders relevant für Anwendungen wie kontinuierliche Softwareentwicklung, autonome Forschung und langlaufende Simulationen, bei denen Agententeams über längere Zeiträume operieren. Die Arbeit deutet darauf hin, dass zukünftige Multi-Agent-Architekturen das Gedächtnisdesign über die reine Agentenanzahl stellen werden, was möglicherweise die Infrastrukturkosten senkt und die Ausgabequalität verbessert. Für Engineering-Leader signalisiert dies die Notwendigkeit, gedächtnisgestützte Agentenframeworks für langlebige KI-Systeme zu evaluieren, anstatt einfach horizontal zu skalieren.
Ein neues Preprint untersucht, ob LLM-Multi-Agent-Systeme mehr davon profitieren, Agenten hinzuzufügen (Teamvergrößerung) oder durch Gedächtnismechanismen Erfahrungen über die Zeit zu sammeln (Zeitvergrößerung). Das LLMA-Mem-Framework schlägt gedächtnisgestütztes lebenslanges Lernen vor, um Agenten effizienter zu machen, ohne die Teamgröße linear zu erhöhen. Dies signalisiert einen Wandel von brutaler Skalierung hin zu intelligenteren, gedächtnisgesteuerten Agentenarchitekturen.