近年、大規模言語モデル（LLM）の急速な発展により、マルチ・エージェント・システム（MAS）の能力が著しく向上している。これらのシステムはタスクを自動化できるだけでなく、人間に近い推論能力を発揮する。しかし、従来の MAS アーキテクチャーは複雑なコード実装を伴うことが多く、再利用性が大きく制限される。この問題を解決するために、Nexusが開発された。ネクサス は、スケーラブルで再利用可能なLLMベースのMASを構築するために設計された軽量のPythonフレームワークです。レイヤードアーキテクチャ、監督されたワークフロー設計をサポートし、強い技術的背景がなくても使いやすい。
マルチエージェントシステム（MAS）の概要
マルチ・エージェント・システム（MAS）は、分散型人工知能（AI）の基盤となるシステムである。複雑なタスクをより管理しやすい要素に分解し、それを自律的な知能（エージェント）が実行する。これらのインテリジェンスは、過去の知識、他のインテリジェンスとの相互作用、環境情報を利用して、人間の介入なしに意思決定を行う。この自律性により、MASは従来の分散型問題解決システムとは一線を画し、ダイナミックで不確実な環境で効果的に動作する能力を高める。
MASでは、インテリジェンスはある程度の自律性を持ち、互いに協力し合って問題を解決するために統一された全体を形成する。MASアーキテクチャの主要な構成要素には、インテリジェンス、環境、相互作用が含まれる。インテリジェンスは役割、能力、知識モデルを持つ中核的なアクターである。環境はインテリジェンスが生活する外界であり、インテリジェンスは環境の情報を知覚し、それに基づいて行動する。インテリジェンス間のコミュニケーションは相互作用と呼ばれ、協調、交渉、またはシステム要件に基づく任意の形式をとることができる。
MASアーキテクチャは、伝統的なもの、ReAct、LLMベースなど様々な形態をとることができる。従来のMASアーキテクチャは、観察と行動を通じて環境と相互作用するインテリジェンスで構成され、ReAct（Reasoning and Acting）タイプのインテリジェンスアーキテクチャは、高度な推論機能を導入している。一方、LLMベースのアーキテクチャは、推論と意思決定のための知能としてLLMを利用する。
MASアーキテクチャー
MASアーキテクチャが直面する主な課題には、複数のインテリジェンス間の調整、タスクの割り当て、大規模システムのスケーラビリティなどがある。このような課題に対処するため、研究者たちはリーダー・フォロワー（LF）階層などの様々なアプローチを提案してきた。リーダー知能はグローバルな目標を定義し、タスクを委譲する。
大規模言語モデリング（LLM）の分野における最近の進歩は、MASアーキテクチャと、人間に近い推論などの応用能力を向上させている。MASアーキテクチャに統合されたLLMは、中心的な推論インテリジェンスとして機能し、動的環境における適応性、協調性、意思決定を強化することができる。これらの進歩はまた、マルチモーダル推論、複雑な数学的問題解決、自律的ナビゲーションなど、かつてはMASアプローチの及ばなかった分野へのMASの応用を促進している。
LLMベースのMASは、LLMの効率を最大化するためのタスクに特化したアーキテクチャと、ドメイン固有の知識とその知能への応用を実装するための方法論という2つの重要な原則に依存している。しかしながら、LLMベースのMASのために外部の知識を統合することは、知識の制約や異なるドメインへの適応性の制限により、全体的な複雑さを増大させ、スケーラビリティの問題につながる可能性がある。さらに、LLMベースのMASをゼロから開発・展開することは、特に非技術者にとって非常に困難である。
Nexusは軽量で拡張性があり、LLMやアプリケーションのドメインにとらわれず、様々なタスクや問題に対してインテリジェントな自動化を可能にします。
ネクサス・フレームワークの深い理解
Nexusフレームワークは、単一のルート・スーパーバイザー・エージェントと複数のタスク・スーパーバイザーおよびワーカー・エージェントを統合したモジュール設計に基づいています。これらのコンポーネントは、効率的なタスクの委譲、スケーラビリティ、柔軟性を実現するために、階層的な実行グラフに従って設計されています。ルート・スーパーバイザーは、ユーザーとインテリジェンス間のコミュニケーションを調整する責任を持ち、その主な責務にはタスクの分解、インテリジェンスの選択、結果の集約が含まれる。
タスクの分解とは、高レベルの手がかりを実行可能なサブタスクに分解することである。知能体の選択とは、その専門性に基づいて最も適切な作業知能にタスクを委任することである。一方、結果集約では、委任されたサブタスクからのアウトプットを収集し、最終的なレスポンスにまとめます。作業知能は、上司によってタスクが割り当てられる専門的な問題解決者である。各作業インテリジェンスは、システムメッセージ、関連ツール、機能、および環境データによって定義される固有の専門性からなる孤立した環境で動作する。ワークインテリジェンスの機能には、専門化されたツール（ウェブ検索など）や知識ベースを使用してドメイン固有のタスクを実行すること、ツールや知識ベースと対話することで遷移結果を反復的に精緻化すること、割り当てられたタスクの完了時にスーパーバイザーにアウトプットを返すことなどが含まれる。
Nexusにはグローバルメモリと外部ツール一式が含まれている。Nexusのメモリは共有リポジトリであり、スーパーバイザーがグローバルアクセスを持ち、作業インテリジェンスはそのイベント履歴に限定され、タスクスーパーバイザーは割り当てられたインテリジェンスに関連するすべてのメモリロケーションにアクセスできる。一方、外部ツールは、ウェブ検索や外部リソース（クラウドストレージバケットなど）へのアクセスなど、インテリジェンスが専用の方法で特定のタスクを実行することを可能にする。
ネクサス・アーキテクチャー
Nexusは、タスクの分解と実行のための反復プロセスを導入しており、3つの主要な相互作用ループに分かれている：
- ユーザー・スーパーバイザー・インタラクションこのループの中で、ユーザーはスーパーバイザーに高レベルのプロンプトを提供する。スーパーバイザーはタスク実行プランの説明と概要を述べ、プランとユーザーのゴールとの調整を続ける。このやり取りは繰り返し行われ、スーパーバイザーがサブタスクを他のインテリジェンスに委譲するか、解決策を最終決定するまで続けられる。
- スーパーバイザー - インテリジェント・ボディ・コーディネーションこのサイクルでは、スーパーバイザーが作業インテリジェンスに、その専門性の度合いに応じてサブタスクを割り当てる。その後、作業知能は利用可能なツールを使用し、中間結果を生成する。
- インテリジェント・ボディ内部動作最後のループは、各ワーキングインテリジェンスの内部環境で機能する。作業知能は、外部ツールやリソースの反復的な使用に基づいて中間結果を改善する。解決策が得られると、最終的な統合のために監督者に戻される。
これらのループにより、Nexusはインテリジェンスとその動作環境間の様々な相互作用パターンをサポートすることができる。Nexusは拡張性、モジュール性、堅牢性に優れており、タスクの複雑性に応じて新しいインテリジェンスをフレームワークに組み込むことができ、作業中のインテリジェンスは独立して動作し、反復的なフィードバックループによる階層的な委譲により、タスクの再割り当てや改善が容易なため、インテリジェンスの失敗による影響を軽減することができる。
ネクサスのパフォーマンス評価と分析
Nexusの性能評価は、合格率、すなわちベンチマークテストのサンプル総数に対する全チェックに合格したサンプル数の比率に基づいている。コーディングタスクでは、Nexusフレームワークの有効性をプログラミング関連タスクの解決効率に基づいて評価した。評価にはHumanEvalとVerilogEval-Humanベンチマークを使用した。
HumanEvalベンチマークはPythonコード生成に焦点を当てた164の課題集に基づいており、VerilogEval-HumanはVerilogコード生成と検証に関わる156の課題集に基づいています。下図は、コード関連タスクを解くためのNexusベースのMASアーキテクチャを示しています。
コード関連タスクのためのNexusベースのMASアーキテクチャ
下の表は、アブレーション試験の合格率に基づく提案ワークフローの有効性を示している。
結果 - 1
以下の表は、提案するNexusベースのワークフローと、関連する既存のソリューションの性能を比較したものである。
結果 - 2
数学的問題の解決におけるNexusの有効性は、MATHデータセットを用いて実証された。以下のワークフローが使用され、スーパーバイザー知能、数学者知能、レビュアー知能が使用された。これらはすべて クロード 3.5v2 LLMがサポート。
数学的問題のためのネクサスに基づくMASアーキテクチャ
MATHデータセットによるアブレーション研究の結果
Nexusハンズオン：コードレビューとリファクタリング
次に、コード・レビューとリファクタリングのためにNexusを使ってMASアーキテクチャを構築する方法を、実例を用いて示す。
ステップ1：必要なライブラリをインストールする
git clone https://github.com/PrimisAI/nexus.git
ネクサス
!pip install -e .
ステップ2：ライブラリのインポートとLLM設定のセットアップ
from primisai.nexus.core import エージェント, スーパーバイザー
from google.colab import userdata
インポート os
os.environ["OPENAI_API_KEY"] = userdata.get("OPENAI_API_KEY")
llm_config = {
"api_key": os.getenv("OPENAI_API_KEY")、
"model": "gpt-4o"、
"base_url": "https://api.openai.com/v1"
}
ステップ3: Supervisor、CodeReviewer、CodeRefactorの3つのインテリジェンスを作成する。
# Supervisor Intelligenceの作成
coordinator = Supervisor("ProgrammingCoordinator", llm_config)
# コードレビューアインテリジェンスを作成し、システムメッセージを設定します。
code_reviewer = Agent(
"CodeReviewer"、
llm_config.
system_message="あなたはコード解析に特化したコーディングの専門家です。あなたのタスクはコードをレビューし、エラーを特定し、改善を提案することです。"
)
# コードリファクタインテリジェンスを作成し、システムメッセージを設定します。
code_refactor = Agent(
"CodeRefactor"、
llm_config.
system_message="あなたはコードのリファクタリングに特化したコーディングの専門家です。あなたのゴールはコードの可読性と効率を改善することです。"
)
ステップ4：コーディネーターへのインテリジェンス登録
コーディネータ.register_agent(code_reviewer)
コーディネータ.register_agent(code_refactor)
ステップ5：インテリジェンシアの階層を表示する
coordinator.display_agent_graph()
ステップ6: インタラクティブなセッションを開始し、レビューとリファクタリングのためにPythonのサンプルコードを提供する。
コーディネーター.start_interactive_session()
輸出
出力からわかるように、NexusはMASのアーキテクチャに基づいて私たちが提供したPythonコードを見直し、リファクタリングすることができました。
総括と展望
軽量なPythonフレームワークであるNexusは、LLMベースのマルチインテリジェンスシステムの開発と管理を大幅に簡素化する。NexusはMAS開発における重要な進歩であり、LLMベースの問題解決能力をさらに高めることを約束する。
今後、LLMの技術が進化し続けるにつれ、ネクサスは以下の分野でより大きな役割を果たすことが期待される：
- より複雑なタスク処理LLMの推論機能が強化されたことで、Nexusは領域横断的な知識統合や長期計画など、より複雑で困難なタスクを処理できるようになりました。
- 幅広いアプリケーションシナリオNexusの柔軟性とスケーラビリティは、スマート製造、スマートシティ、フィンテックなど、より幅広いアプリケーションでの利用を可能にします。
- より強力なコミュニティ支援ネクサスがオープンソース化され、普及が進めば、より多くの開発者がネクサスの開発と改良に参加し、ともにMAS技術の限界を押し広げることになるだろう。
全体として、ネクサスはマルチ・インテリジェント・ボディシステムを構築・管理するための強力かつ柔軟なプラットフォームを提供し、その出現はAI分野の発展を加速させ、現実世界における複雑な問題を解決するための新たなアイデアと方法を提供するだろう。
参考までに：https://arxiv.org/pdf/2502.19091
日本語 
简体中文 
English 
Deutsch (Sie) 
Português do Brasil