Systemy multi-agentowe oparte na LLM wykazały znaczący postęp w zakresie generatywnej współpracy i koordynacji zasobów. Według badań opublikowanych na arXiv, agenci, którzy wymieniają się informacjami i wzajemnie dostosowują swoje strategie, zwiększają ogólną efektywność systemu nawet o 42%. W symulacjach cyfrowych przypominających mechanikę Energy Casino agenci generatywni skutecznie redystrybuowali zadania i zasoby, maksymalizując zysk zespołowy i unikając konfliktów.
Analiza opinii w mediach społecznościowych pokazuje, że 58% użytkowników uważa interakcję z agentami współpracującymi za bardziej intuicyjną i przewidywalną niż z agentami tradycyjnymi. Hybrydowe architektury, łączące podejścia symboliczne i subsymboliczne, pozwalają agentom uczyć się zarówno z danych uporządkowanych, jak i z doświadczenia, zwiększając ich adaptacyjność w nowych i dynamicznych środowiskach.
Mechanizmy autorefleksji i wewnętrznej krytyki redukują konflikty i umożliwiają osiągnięcie adaptacyjnego konsensusu w czasie rzeczywistym. Badania pokazują, że agenci z krytyczną oceną wewnętrzną mogą zapobiegać nawet do 30% konfliktów w złożonych symulacjach. Główne wyzwania obejmują zabezpieczenie pamięci rozproszonej i utrzymanie wydajności w systemach z setkami współzależnych agentów, ale perspektywy zastosowań w edukacji, infrastrukturze i planowaniu miast są bardzo obiecujące.
