Neue Routing-Strategie verhindert Ausbreitung von Fehlern in KI-Agenten-Netzwerken

In modernen KI‑Reasoning-Systemen werden Aufgaben häufig über symbolische Graphnetzwerke verteilt, bei denen spezialisierte Agenten über Delegationskanten verbunden sind. Bisher optimieren Scheduler vor allem Last und Fitness, ignorieren jedoch die Geometrie des Netzwerks. Dadurch kann ein einzelner Ausfall in baumartigen Strukturen exponentiell ausbrechen, während sich Fehler in dicht vernetzten, zyklenreichen Graphen selbst begrenzen.

Die neue Methode „Cascade‑Aware Multi‑Agent Routing“ füllt diese Lücke, indem sie die Geometrie des Ausführungsgraphen in Echtzeit berücksichtigt. Dazu kombiniert sie ein euklidisches, spatio‑temporales Propagationsmodell, ein hyperbolisches Risikomodell mit zeitlichem Abklingen und einen lernenden Geometrie‑Selektor. Der Selektor ist ein kompakter MLP, der sechs Topologiestatistiken sowie drei geometriebewusste Signale – BFS‑Shell‑Growth‑Slope, Cycle‑Rank‑Norm und Poincaré‑Krümmung – nutzt.

Auf dem Genesis‑3‑Benchmark zeigte sich, dass die adaptive Geometrie‑Schaltung die Gewinnrate im schwierigsten nicht‑baumartigen Szenario von 64 – 72 % auf beeindruckende 92 % steigerte und insgesamt 87,2 % erreichte. Im Vergleich dazu lag die Gewinnrate des herkömmlichen Genesis‑3‑Routings ohne spatio‑temporale Sidecar lediglich bei 50,4 %. Diese Ergebnisse unterstreichen, wie entscheidend die Berücksichtigung von Netzwerkgeometrie für die Zuverlässigkeit und Effizienz von KI‑Agenten ist.