Hur kommunikation omvandlar enkla agenter till något större

Nota: Inspirerad av att tänka på utlängningar till merpartenlucid.mockllmapi och material för ( som aldrig kommer ut, men jag gillar att tänka efter det.

Transformationen

I delen 1, såg vi hur enkla mönster — sekvenseringskedjor M SK2 parallellt processing , valideringsloopar MSC4 skapar framträdande komplexitet Mska5 Flera agenter som följer enkla regler skapar sofistikerade beteenden M Ska6

Men det var fasta mönster.

Föreställ er nu något annat.

Föreställ dig att agenterna prata med varandra.

Inte bara skicka data i sekvenser, utan faktiskt kommunicera.

Plötsligt är systemet inte bara sofistikerat, anpassningsbar.

Och det förändrar allt.

Problemet med myggkolonierna

Innan vi dyker in i LLMs ska vi tala om myror.

En enskild myra är: ... enkel, gjord av:. nästan mekanisk, byggd av:

Ingen mygga förstår konceptet av "kolonin ." Ingen mygg planerar matvägar för gärning.

Men koloni gör allt detta

Hur?

Kommunikation. Pheromonspår är informationM SK1 När myror möter varandra , utbyter de kemiska signaler M SK3 delar med sig av data om näringskällor , hotar MSC5 boskapsförhållandet

Intelligensen är: "'t i en enda myra. kommunikationsnät.

Kolonien är smartare än någon annan myra.

Från sequentiell till kollektiv

I delen 1, hade vi detta :

Agent A → Agent B → Agent C → Output

Varje agent bearbetar data och skickar den vidare

Föreställ er nu detta.

          ↗→ Agent B ←→ Agent C ↘
Agent A ←→                        → Output
          ↘→ Agent D ←→ Agent E ↗

Agenter går inte bara vidare med data, de pratar med varandra, ., de delar sammanhang,., de förbereder lösningar

Det här är kollektiv intelligens. Och den har egenskaper som sequentiell bearbetande inte har

egendom 1: Emergent Specialization

När agenter kommunicerar är de naturligt specialiserade baserade på vad de är bra på.

Föreställ er tre agenter som arbetar med att generera en produktbeskrivning:

• Agent A är snabb men svag
• Agent B är detaljerad men långsamt
• Agent C är kreativt men ibland otäckt

I en sekvenseringskanal, programmerar du explicitt

Men med kommunikationen händer något annat.

1. Agent A genererar första utgången snabbt
2. Agent B läser det , säger "Det här behöver mer tekniska detaljer i specifikationen
3. Agenten C läser det. "" ,, "" säger "", "The marketing copy feels flat."
4. Agent B genererar förbättrade specifikationer
5. Agent C genererar en ökad marknadsföringskopie
6. Agent A kontrollerar konsistens mellan sektionerna
7. De förhandlar tills konsensus

Ingen programmerade denna delning av arbetskraft. Det uppstod från kommunikation baserat på varje agents styrkor

egendom 2: Tydliga koalitioner (Ad-HutskommitteerM SK3

Här är det där det blir intressant

För enkla problem , en agent hanterar det. För komplexa problem som rör flera områden , agenter bildar tillfälliga koalitionerkomiteer som existerar tillräckligt länge för att lösa problemet

Simple Request: "Generate a user name"
  → Single agent handles it

Complex Request: "Generate a complete e-commerce product with specs, pricing,
                  inventory, shipping, reviews, and related products"
  → Temporary coalition forms:
     - Specs specialist
     - Pricing analyst
     - Inventory manager
     - Marketing writer
     - Review generator
  → They communicate, negotiate consistency, produce comprehensive output
  → Committee dissolves

Systemet anpassar sin struktur till problemet, inte genom explicit programmering, utan genom att agenter känner igen att de behöver hjälp och ber den från andra.

egenskap 3: Kollektivt problem - Lösande

Den mest fascinerande egenskapen, :, kan kollektivt lösa problem som ingen enskild agent förstår.

Tänk på att generera en komplex datasamling som måste möta flera begränsningar:

• Tekniksäkerhet (Agents A'domain
• Konsistens inom affärslogiken (Agent B'domain
• Rättsskyldighet (Agents C'domain
• User Experience considerations (Agents D'domain

Ingen enda agent förstår alla fyra områden.

1. Agent A genererar tekniskt korrekta data
2. Agent B-bedömer, ser affärslogiska överträdelser
3. Agent C bedömer "," och ser problem med conformitet
4. Agent D bedömer, hittar UX-problem
5. De förhandla förändringar som tillfredsställer alla begränsningar
6. Konversationen fortsätter tills alla agenter håller med.

Lösningen dyker upp från konversationen kollektivt löst det.

Hivemind-effekten

Här börjar det kännas konstigt

När agenter kommunicerar effektivt, så visar systemet egenskaper som inte existerar i någon enskild agent.

Distribuerad förståelse: Ingen agent förstår hela problemet, men nätverket gör det kollektivt.

Ett akut konsens Genom att förhandla så kommer agenterna fram till överenskommelser som representerar en sammansättning av flera perspektiv.

Adaptiv struktur: nätverket omorganiserar sig själv baserat på problemkomplexitet

Kollektiv minne: Agenter delar lösningar. När en agent upptäcker ett bra angreppssätt

Det börjar se mindre ut som "multipla agenter " och mer som en enda fördelad intelligens

Den obehagliga frågan

Här är vad som håller mig uppe på natten.

Om enskilda myror inte är intelligenta, men kolonin är intelligent

Om enskilda neuroner inte är intelligenta, men hjärnan är intelligent

Om individuella agenter inte är särskilt smarta, så löser kollektivet komplexa problem genom kommunikation.

Var bor intelligensen egentligen?

Är det i agenterna? Eller är det i kommunikationsmönster mellan dem?

Kanske är intelligens inte något du har, kanske är det framträdande egenskap av informationflödet.

Verklig-World Example: Komiteets mönster

Låt mig grunda det här i något du faktiskt skulle kunna bygga

async function solveComplexProblem(problem) {
  // Analyze complexity
  const complexity = analyzeComplexity(problem);

  if (complexity < 5) {
    // Simple: single agent
    return await singleAgent.solve(problem);
  }

  // Complex: form a committee
  const committee = formCommittee(problem);

  // Agents discuss the problem
  let solution = null;
  let consensus = false;
  let iteration = 0;

  while (!consensus && iteration < 10) {
    // Each agent proposes or critiques
    const proposals = await Promise.all(
      committee.map(agent => agent.contribute(problem, solution))
    );

    // Combine perspectives
    solution = synthesize(proposals);

    // Check if everyone agrees
    consensus = await checkConsensus(committee, solution);

    iteration++;
  }

  return solution;
}

Den här koden är enkel beteende är sofistikerad:

• Anpassar strukturen till problemkomplexitet
• Agenter bidrar med sina unika perspektiv
• Iterativa förhandlingar fram till konsensus
• Synteser av flera perspektiv

Det finns ingen enskild agent " som löste problemet konversation löst det.

Från myror till organisationer och AI

Pattern är överallt när du ser det.

Myggkolonier - enkla myror , komplexa kollektiva beteenden genom färomonkommunikation

Människoorganisationer - Individuella anställda , sofistikerad organisationell förmåga genom möten

Markärer - Individuella tradersM SK1 framträdande prisforskning genom bitar och oferty

Hjärnor - Individuella neuroner , medvetenhet genom synaptisk kommunikation

Multi-agent AI - Individuella LLMs, framträdande kollektivt intelligens genom strukturerad kommunikation

Samma mönster

Intelligens kan komma från kommunikation mellan icke-intelligenta komponenter

Vad betyder detta

När agenter kommunicerar:

• Specialisering dyker upp naturligt
• Strukturer anpassar sig till problem
• Lösningar dyker upp från konversationer
• Kollektivet blir smartare än individer

Det här är inte bara bättre resultat kvalitativ förändring vad systemet kan göra

Sekvationsprocessing: sofistikerade beteenden från enkla regler

Kollektiv kommunikation : adaptiv intelligens från enkla agenter

Men det finns ett problem

Än så länge har vi ansett att dessa agenter är statiska. De har stabila förmågor.

Men tänk om de kunde att förbättra sig själva?

Tänk om agenter kunde

• analysera deras egna prestationer
• Reskriva deras egna beslutslogier
• Spända nya specialister när de upptäcker mönster
• Tråka ineffektiva strategier
• Att bygga ett gemensamt minne av vad som fungerar

Tänk om systemet kunde optimera sig själv?

Det är så att "'", när "" Collective Intelligence, " "" börjar se ut som lärande.

Och när "learning " börjar se ut som evolution.

Och när man inte längre kan skilja på

Det är dit vi kommer nästa gång.

---

Fortsätt till Del 3: Själva -Optimering | - | System som lär sig

Där vi utforskar system som skriver om sin egen kod, skapar sina egna specialister och upptäcker att den optimala lösningen är enklare än de började med

---

Navigationsserien:

• Del 1: enkla regler , komplext beteende - grunden
• Del 2: Kollektiv intelligens ← Du är här
• Del 3: Själva -Optimering - System som förbättrar sig själva
• Del 4: Kriget - När optimering blir intelligens
• Del 5: Evolution - Från optimering till guilds och kultur
• Del 6: Global konsensus - Inriktad evolution och planeterkänning
• Del 7: Den verkliga saken! - Att faktiskt bygga den och se hur den utvecklas
• Del 8: verktyg hela vägen ner - En självoptimerande verktygslåda
• Del 9: själv -Healing Tools - Linjer