Multi-Agent Systems: od klasičnih paradigmi do LFM-budućnosti

Novi arXiv survey autora Zixiang Wang i suradnika, prihvaćen u IEEE/CAA Journal of Automatica Sinica, sustavno povezuje klasičnu literaturu o Multi-Agent sustavima (MAS) s modernim pristupima koji se oslanjaju na velike temeljne modele (LFM — Large Foundation Models). Objavljen 20. travnja 2026., rad je jedan od prvih pokušaja da se paradigmatski pomak formalno dokumentira.

Što nudi klasični MAS okvir?

Tradicionalni MAS sustavi organiziraju agente kroz četiri temeljne dimenzije: percepciju, komunikaciju, donošenje odluka i kontrolu. Ove dimenzije čine closed-loop okvir koordinacije u kojem agenti međusobno razmjenjuju stanja, pregovaraju o ulogama i izvršavaju zadatke.

Klasični pristup oslanja se na kontrolno-teorijske temelje — matematički dokazive protokole, fiksne komunikacijske sheme i eksplicitno modelirana stanja. Primjeri uključuju konsenzus algoritme za rojeve dronova, aukcijske protokole za distribuciju zadataka i Markov odlučivanje u stohastičkim okruženjima.

Snaga tog pristupa je u dokazivosti — možemo matematički garantirati konvergenciju, stabilnost i optimalnost. Slabost je u rigidnosti — svaki novi zadatak zahtijeva novo modeliranje.

Kako LFM-ovi mijenjaju sliku?

Prema autorima, LFM-ovi omogućuju agentima da „podignu suradnju s razmjene stanja niske razine na semantičko rezoniranje”. Umjesto da šalju brojčane vektore, agenti međusobno komuniciraju na prirodnom jeziku, dijele kontekst i zajednički rezoniraju o planovima.

To donosi adaptivne strategije koordinacije — agenti mogu improvizirati protokole ad-hoc, pregovarati o ulogama bez unaprijed definiranih shema i koristiti cijelo znanje iz temeljnog modela pri suradnji. Rad ističe da je ovaj pomak analogno tranziciji od assembler jezika prema prirodnom jeziku u ljudskoj komunikaciji.

Survey uspoređuje klasični i LFM pristup kroz arhitekturu, operativne mehanizme, potencijal prilagodljivosti i realne scenarije primjene.

Koje su otvorene istraživačke smjernice?

Autori identificiraju nekoliko ključnih izazova za budućnost područja. Prvi je verifikacija i pouzdanost — LFM-bazirani agenti gube formalne garancije klasičnih protokola, pa je teško dokazati da neće zapeti ili proizvesti štetne ishode. Drugi je skalabilnost komunikacije — prirodni jezik je skupo razmjenjivati u realnom vremenu između stotina agenata.

Treći izazov je emergentno ponašanje — koordinacija može proizvesti neočekivane fenomene koji nisu eksplicitno programirani. Survey tretira to i kao priliku (prilagodljivost) i kao rizik (nepredvidljivost). Praktična primjena u sustavima poput autonomnih flota ili distribuiranih AI asistenata zahtijevat će kombinaciju oba pristupa — semantičkog rezoniranja LFM-ova i formalnih jamstava klasičnih protokola.

Rad je koristan referentni vodič za sve koji rade na LLM-agent frameworkovima poput AutoGen, CrewAI ili LangGraph, jer postavlja njihove ideje u kontekst desetljeća MAS istraživanja koje im je prethodilo.