In de wereld van Large Language Models (LLM) worden multi-agent frameworks vaak gehinderd door een rigide opzet. Traditioneel wordt de teamstructuur en de rolverdeling van AI-agenten vastgelegd bij de start van een proces. Dit statische model zorgt voor problemen wanneer een specifieke agent overbelast raakt, bijvoorbeeld door een teveel aan acties of herhaaldelijke fouten, waardoor de algehele efficiëntie van het systeem daalt.
Om deze beperking te doorbreken hebben onderzoekers Bronislav Sidik, Chaya Levi en Nizzan Kimhi een innovatieve methode ontwikkeld genaamd Autonomous Topology Mutation (ATM). Volgens een wetenschappelijke publicatie op arxiv.org stelt dit mechanisme systemen in staat om hun topologie tijdens de uitvoering (runtime) aan te passen. Het systeem werkt op basis van een 'Bottleneck Index', die zes kritieke signalen monitort, waaronder de diepte van de wachtrij, de foutmarge van tools en de wachttijd tussen verschillende agenten.
Zodra het systeem detecteert dat een drempelwaarde te lang wordt overschreden, grijpt ATM in. De overbelaste agent wordt dan 'gefactoriseerd', wat betekent dat deze wordt opgesplitst in verschillende gespecialiseerde sub-agenten. De oorspronkelijke agent transformeert daarbij naar een coördinerende rol, terwijl de externe identiteit behouden blijft om de continuïteit van de taak te garanderen. Deze vorm van zelfsturing is een schoolvoorbeeld van een usdictionary.com proces, waarbij een machine taken uitvoert op basis van interne controles zonder dat er externe menselijke sturing nodig is.
Om te voorkomen dat deze dynamische wijzigingen leiden tot instabiliteit of datalekken, is ATM uitgerust met drie strikte veiligheidsmechanismen. Ten eerste wordt 'capability monotonicity' gehanteerd om te garanderen dat de capaciteiten van het systeem na een mutatie niet afnemen. Ten tweede zorgt 'state-routing completeness' ervoor dat alle relevante informatie correct wordt doorgegeven. Tot slot wordt een nieuwe topologie pas live gezet nadat deze een validatieperiode in een schaduwomgeving heeft doorstaan.
Ook op het gebied van privacy zijn specifieke maatregelen genomen. Geheugengelementen worden enkel gerouteerd naar een toegestane set sub-agenten, afhankelijk van het privacyniveau van de data. Indien een veilige overdracht niet mogelijk is, worden de gegevens verwijderd en wordt dit incident gelogd.
De praktische impact van deze technologie is aanzienlijk. In een testserie van 720 taken met DeepSeek-V3 en deterministische tool-stubs, zoals beschreven in de , steeg het succespercentage bij complexe code-taken spectaculair van 3,3% naar 61,7%. Deze verbetering werd bereikt zonder dat de snelheid van het systeem merkbaar afnam; de p99-latentie op het kritieke pad nam met minder dan 500 microseconden toe.
Daarnaast rapporteert het onderzoek dat de veiligheid van gevoelige data verbeterde. De blootstelling van hoog-private geheugengegevens daalde van 2,0 naar 0,0 incidenten per taak. Door deze combinatie van flexibiliteit en strikte veiligheidsrails kunnen AI-systemen nu effectiever omgaan met onvoorziene werklasten. De volledige implementatie en de bijbehorende benchmarks zijn open-source beschikbaar gesteld via de van de auteurs.