Hoe leren multi-agent AI-systemen van hun eigen fouten zonder hertraining?

Hoe leren multi-agent AI-systemen van hun eigen fouten zonder hertraining?

Een van de meest hardnekkige frustraties met multi-agent AI-systemen is hun stateloosheid: teams van agents ronden een taak af, falen of zijn het oneens — en gooien meteen daarna alle opgedane inzichten weg. De volgende taak begint vanaf nul. Een nieuwe golf van trainingsvrije frameworks lost dit op architectuurlevel op: agents kunnen spontaan specialiseren, kennis routeren naar waar die het hardst nodig is en permanent verbeteren — allemaal zonder modelgewichten aan te raken.

Het probleem: stateloze multi-agent systemen

De meeste multi-agent frameworks in productie vandaag zijn fundamenteel vluchtig. Ze vertrouwen op statische rolbepalingen, vaste communicatiegrafen en context-retrieval dat reset tussen taken. Waardevolle probleemoplossende ervaring — moeizaam verworven door mislukkingen en retries — wordt weggegooid zodra de uitvoering eindigt. Fine-tuning om deze lessen te incorporeren zou voor frontiermodellen miljoenen in GPU-rekencapaciteit kosten, dus het gebeurt zelden.

Dit betekent dat agentteams dezelfde fouten oneindig kunnen blijven maken.

De oplossing: inference-time co-evolutie

Inference-time co-evolutie is een trainingsvrij paradigma waarbij een populatie van agents zichzelf dynamisch aanpast, specialiseert en de eigen samenwerkingstopologie herstructureert tijdens uitvoering. Het werkt op drie niveaus:

Structurele co-evolutie — De communicatiegraph tussen agents is niet vast. Agents die consistent beter presteren kunnen meer routing ontvangen; underperformers kunnen worden gesnoeid of gemuteerd. De topologie zelf wordt een optimaliseerbare variabele.

Rolspecialisatie — Identieke basis-agents kunnen spontaan evolueren naar onderscheiden specialisten, puur door samenwerking en prestatiedruk, zonder door developers gespecificeerde rollen.

Persistent leren — Inzichten uit afgeronde taken worden gedestilleerd en opgeslagen in een ervaringspool die persist over taakgrenzen heen, waardoor mislukking een permanente bron van verbetering wordt in plaats van een weggegooid event.

EVOCHAMBER: evolutionaire multi-agent selectie

EVOCHAMBER, deze week gepubliceerd door Zhang et al., operationaliseert het co-evolutieconcept met een evolutionaire selectielus. Agents worden geëvalueerd onder prestatiedruk; samenwerkingspatronen die kwalitatief hoogwaardige resultaten produceren worden bewaard en gerepliceerd, terwijl onderpresterende configuraties worden gemuteerd of verwijderd.

De resultaten zijn opvallend. Met Qwen3-8B — een middelgroot open-source model — behaalt EVOCHAMBER:

• 63,9% op wiskundig redeneren (32% relatieve verbetering ten opzichte van de beste baseline)
• 75,7% op code-generatie
• 87,1% op multi-domein redeneren

Alle verbeteringen worden behaald tijdens inferentie, zonder gewichtsupdates.

CODREAM: gezamenlijk dromen na elke taak

Waar EVOCHAMBER structurele evolutie beheert, handelt CODREAM (Collaborative Dreaming) de ervaringsleer op taakniveau af. Het protocol draait als een post-taakfase die wordt geactiveerd bij teamfalen of significante meningsverschillen:

1. Gezamenlijke reflectie — Elke agent genereert een gestructureerde analyse van de eigen bijdragen: wat werkte, wat faalde, wat anders gedaan zou worden.
2. Destillatie — Een "dreamer"-agent destilleert de reflectiepool tot compacte, uitvoerbare heuristieken.
3. Asymmetrische routing — Heuristieken worden beoordeeld op relevantie voor het specifieke foutprofiel van elke agent. Een agent die moeite had met typefouten, ontvangt gerichte type-veiligheidsheuristieken; goed presterende agents ontvangen minimale ruis.
4. Ervaringspool update — De operationele geheugen van elke agent wordt bijgewerkt met de gerouteerde inzichten, zodat ze beschikbaar zijn vanaf de eerste stap van de volgende taak.

Deze asymmetrische routing is de sleutelinnovatie: universeel uitzenden van inzichten voegt ruis toe voor goed presterende agents; gerichte routing levert maximaal marginaal voordeel per agent.

Self-evolving kernels: de reactie van de community

Naast onderzoeksartikelen bouwt de community deze infrastructuur zelfstandig. Flux/Genotype, deze week op GitHub uitgebracht, is een zelf-evoluerend agent-kernel dat het gehele agent-ecosysteem behandelt als een muteerbaar object: communicatiegrafen, evaluator-toewijzingen en tool-registers worden herschreven tijdens runtime op basis van feedback op taakniveau.

Wat dit betekent voor productie-AI-teams

De implicatie is een fundamentele verschuiving in hoe multi-agent systemen worden ontworpen. In plaats van optimale teamconfiguraties van tevoren te engineeren — een bijna-onmogelijke opgave voor complexe, variabele workloads — kunnen teams algemene agentpopulaties inzetten en het co-evolutieproces de optimale configuratie in productie laten ontdekken.

De kosten van deze aanpak zijn dat het systeemgedrag moeilijker te voorspellen wordt. State machine-guardrails (zie: deterministische agent state machines) worden daardoor belangrijker, niet minder.