Construir un sistema d'agents d'intel·ligència artificial que treballin coordinats —per exemple, per respondre preguntes clíniques o financeres complexes— exigeix avui triar a mà quins models fer servir per a cada pas i com organitzar-los, una feina que consumeix molt de temps d'expert i que els mètodes automàtics existents solen resoldre de manera incompleta, sense tenir en compte el cost ni l'eficiència real del sistema resultant.
Enci Zhang, Haofeng Wang, Yuesheng Zhu, Xiaole Cui i Guibo Luo han publicat l'1 de setembre a arXiv AgentFactory, un mètode que optimitza en un mateix procés, en tres etapes, tant els models de llenguatge afinats com l'estructura del flux de treball entre agents, fent servir altres models de llenguatge com a «optimitzadors» que exploren l'espai de configuracions possibles i en refinen la combinació de manera iterativa, tenint en compte a la vegada el rendiment, el cost i l'eficiència. En les proves dels autors, amb vuit bancs de proves de cinc àmbits diferents —raonament general, programació, matemàtiques, medicina i finances—, el mètode millora de mitjana un 9,1%, amb pujades del 19,6% en preguntes mèdiques (MedQA) i del 18,7% en avaluació financera (FinEval).
El resultat és rellevant perquè els sistemes d'agents d'IA s'estan desplegant cada cop més en àmbits especialitzats com la medicina o les finances, on un disseny deficient del flux de treball pot costar més que un simple error de resposta, i automatitzar-ne l'optimització podria reduir la dependència d'experts humans per ajustar-los manualment cada vegada que canvia el domini d'aplicació.
És un preprint encara no revisat per parells, i els autors no detallen quin cost computacional té el mateix procés d'optimització en tres etapes, ni si els guanys es mantindrien en dominis molt diferents dels cinc avaluats. Tampoc queda clar si el mètode s'ha provat encara en un entorn clínic o financer real, més enllà dels bancs de proves acadèmics.