Utility-gesteuerte Agenten-Orchestrierung verbessert Effizienz von LLM-Tools

Ein neuer Beitrag auf arXiv (2603.19896v1) präsentiert eine innovative Methode zur Steuerung von Large‑Language‑Model‑Agenten, die externe Tools nutzen. Die Autoren zeigen, dass herkömmliche feste Workflows zwar stabil, aber wenig flexibel sind, während freie, mehrstufige Ansätze wie ReAct zwar die Aufgabenleistung steigern, aber zu vielen Tool‑Aufrufen, erhöhtem Token‑Verbrauch und längeren Latenzzeiten führen.

Um dieses Spannungsfeld zu lösen, schlagen die Forscher eine „Utility‑gesteuerte Orchestrierung“ vor. Dabei wählt der Agent zwischen Aktionen wie Antworten geben, Informationen abrufen, ein Tool aufrufen, Ergebnisse verifizieren oder den Vorgang beenden. Die Auswahl basiert auf einer ausgewogenen Bewertung von geschätztem Nutzen, Schritt‑Kosten, Unsicherheit und Redundanz. Ziel ist nicht, die beste Leistung zu garantieren, sondern ein kontrollierbares und analysierbares Entscheidungs‑Framework zu bieten, das die Qualität‑Kosten‑Abwägung transparent macht.

Experimentelle Ergebnisse – die sowohl direkte Antworten als auch Schwellen‑Kontrolle, feste Workflows, ReAct und verschiedene Policy‑Varianten umfassen – zeigen, dass explizite Orchestrierungs­signale das Verhalten der Agenten stark beeinflussen. Ergänzende Analysen zu Kosten­definitionen, Fairness in Workflows und Redundanz­kontrolle unterstreichen, dass ein leichtgewichtiges Utility‑Design einen robusten und praktischen Mechanismus für die Steuerung von Tool‑nutzenden LLM‑Agenten liefert.