AgentMesh: Ein kooperatives Multi-Agenten-KI-Framework zur Automatisierung der Softwareentwicklung

AgentMesh ist ein Python-basiertes Frame­work, das mehrere kooperierende, auf großen Sprach­mod­ellen (LLMs) basierende Agen­ten nutzt, um Soft­wa­reen­twick­lungsauf­gaben zu automa­tisieren. Es wurde entwick­elt, um die Stärken von LLMs zu nutzen und gle­ichzeit­ig die Ein­schränkun­gen einzel­ner Agen­ten zu min­dern, indem es die Ver­ant­wortlichkeit­en auf spezial­isierte Rollen aufteilt¹AgentMesh: A Coop­er­a­tive Mul­ti-Agent Gen­er­a­tive AI Frame­work for Soft­ware Devel­op­ment Automa­tion.

Die vier Ker­na­gen­ten in AgentMesh sind:

• Plan­er-Agent: Zer­legt Benutzer­an­fra­gen in konkrete Unter­auf­gaben und erstellt einen Pro­jek­t­plan.
• Coder-Agent: Imple­men­tiert jede Unter­auf­gabe durch Gener­ierung des entsprechen­den Quell­codes.
• Debug­ger-Agent: Testet und kor­rigiert den gener­ierten Code, um dessen Kor­rek­theit sicherzustellen.
• Review­er-Agent: Vali­diert die endgültige Aus­gabe auf Kor­rek­theit und Qual­ität, ähn­lich ein­er Code-Über­prü­fung.

Diese Agen­ten arbeit­en in einem sequen­ziellen Work­flow zusam­men: Der Plan­er erstellt einen Plan, der Coder gener­iert Code für jede Auf­gabe, der Debug­ger testet und behebt Fehler iter­a­tiv, und der Review­er über­prüft das gesamte Sys­tem am Ende. Ein Fall­beispiel, bei dem eine Befehlszeilen-To-Do-Lis­te­nan­wen­dung entwick­elt wurde, zeigte, wie AgentMesh eine nicht-triv­iale Entwick­lungsan­frage durch sequen­tielle Auf­gaben­pla­nung, Code­gener­ierung, iter­a­tives Debug­ging und abschließende Code-Über­prü­fung bear­beit­en kann.

Vorteile dieses Ansatzes sind die Aufteilung kom­plex­er Prob­leme in über­schaubare Teile, die Ein­führung ein­er Feed­backschleife zur Verbesserung der Zuver­läs­sigkeit durch den Debug­ger und eine zusät­zliche Ver­i­fizierung durch den Review­er.

Zu den aktuellen Ein­schränkun­gen von AgentMesh gehören die Qual­ität der LLM-Aus­gaben und die Fehler­fortpflanzung, die Ten­denz der LLMs zu “Hal­luz­i­na­tio­nen”, die Begren­zung des Kon­textfen­sters und die Skalier­barkeit bei größeren Pro­jek­ten sowie das Fehlen von Lern- oder Anpas­sungs­fähigkeit­en über ver­schiedene Pro­jek­te hin­weg. Zukün­ftige Arbeit­en konzen­tri­eren sich auf die Skalierung auf größere Pro­jek­te, die Inte­gra­tion von Lern- und Opti­mierungsmech­a­nis­men, die Verbesserung der Tool-Nutzung und die Imple­men­tierung ein­er Men­sch-in-der-Schleife-Inter­ak­tion.