Ant Group e la Hong Kong University of Science and Technology (Guangzhou) hanno presentato Skill-MAS, un nuovo framework progettato per trasformare l’esperienza maturata nella costruzione di sistemi multi-agente in meta-skill riutilizzabili e capaci di evolvere nel tempo.
La soluzione nasce per affrontare una delle sfide principali dell’intelligenza artificiale moderna: creare sistemi dove più agenti collaborano tra loro per risolvere problemi complessi. Skill-MAS è stato testato su diversi modelli avanzati, tra cui DeepSeek-V4-Flash, mostrando risultati significativi in scenari caratterizzati da ricerca approfondita, ragionamento matematico e utilizzo di strumenti esterni.
Skill-MAS affronta il problema della progettazione dei sistemi multi-agent
Con l’evoluzione dei modelli linguistici di grandi dimensioni, gli agenti IA stanno passando da semplici strumenti capaci di rispondere a singole domande a sistemi in grado di collaborare attraverso ruoli differenti.
Nei compiti più complessi, infatti, un singolo modello spesso non è sufficiente per gestire tutte le fasi del processo. Alcuni agenti possono occuparsi della suddivisione del problema, altri della raccolta delle informazioni, altri ancora della verifica dei risultati o della sintesi finale delle risposte.
La difficoltà principale riguarda però la progettazione automatica di queste architetture multi-agent. Gli approcci attuali si dividono principalmente in due categorie: quelli basati sull’orchestrazione durante l’inferenza e quelli che prevedono un addestramento specifico dei modelli.
Il primo metodo utilizza modelli avanzati già disponibili per cercare e ottimizzare continuamente nuove architetture, ma senza riuscire a conservare efficacemente l’esperienza acquisita. Il secondo punta invece a modificare modelli più piccoli affinché progettino sistemi multi-agente, ma presenta limiti legati alle capacità del modello e alla difficoltà di trasferire le competenze verso sistemi proprietari più potenti.
Le meta-skill trasformano l’esperienza in conoscenza riutilizzabile
Per superare questi limiti nasce Skill-MAS (Multi-Agent Systems via Evolving Meta-Skill), un approccio che non modifica i parametri dei modelli, ma trasferisce l’esperienza di progettazione all’interno di una meta-skill testuale evolutiva.
Questa struttura consente anche ai modelli linguistici più avanzati, ma congelati e non modificabili, di accumulare esperienza attraverso cicli di esecuzione, riflessione e correzione.
La meta-skill sviluppata dai ricercatori comprende tre elementi fondamentali: modelli per la suddivisione dei compiti, strategie per assegnare i ruoli agli agenti e schemi per definire la struttura delle comunicazioni tra loro.
Grazie a questa organizzazione, Skill-MAS può individuare con maggiore precisione l’origine degli eventuali problemi: se derivano da una divisione errata del lavoro, da un’assegnazione poco efficace dei ruoli oppure da una configurazione inefficiente del flusso operativo.
I test su DeepSeek-V4-Flash confermano l’efficacia del framework
Il team di ricerca ha valutato Skill-MAS attraverso diversi benchmark complessi, utilizzando modelli come Gemini 3.1 Flash, GPT 5.4 Nano, Qwen 3.5 Plus e DeepSeek-V4-Flash.
Gli esperimenti hanno coinvolto quattro ambiti principali: DeepResearchBench, Humanity’s Last Exam-Math, BrowseComp-Plus e VitaBench. In questi scenari, la versione ottimizzata di Skill-MAS ha superato nella maggior parte dei casi gli approcci concorrenti, raggiungendo la migliore prestazione media complessiva tra i modelli analizzati.
Uno degli aspetti più rilevanti riguarda il rapporto tra prestazioni e costi. Una volta evoluta la meta-skill, la generazione del sistema multi-agent durante i test avviene attraverso un processo diretto, senza dover effettuare nuove ricerche architetturali per ogni singolo compito.
Questo elemento distingue Skill-MAS sia dai metodi basati sulla ricerca continua durante l’inferenza sia da quelli che richiedono un addestramento specifico dei modelli.
Un nuovo approccio per il futuro dell’orchestrazione IA
Secondo Ant Group e HKUST(GZ), Skill-MAS rappresenta un nuovo modo di concepire la costruzione dei sistemi multi-agente, spostando il focus dalla semplice generazione di architetture alla capacità di far evolvere competenze progettuali riutilizzabili.
La possibilità di conservare e trasferire esperienza attraverso meta-skill potrebbe rendere più efficiente lo sviluppo di sistemi intelligenti destinati a compiti sempre più articolati.
Il framework punta quindi a creare una base più flessibile per l’ingegnerizzazione degli agenti IA, consentendo ai modelli di migliorare progressivamente le proprie strategie di collaborazione senza richiedere modifiche dirette alla loro struttura interna.
Fonte: Pandaily
