Stratégies avancées pour rechercher, analyser et synthétiser la littérature académique sur les systèmes multi-agents appliqués à la planification et l'exécution de tâches complexes.
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
Quelldateien prüfen
Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Ein direkter Befehl überspringt den Prüf-Prompt. Prüfen Sie die Quelle, bevor Sie ihn ausführen.
Stratégies avancées pour rechercher, analyser et synthétiser la littérature académique sur les systèmes multi-agents appliqués à la planification et l'exécution de tâches complexes.
Recherche sur les Systèmes Multi-Agents et la Planification de Tâches Complexes
Vue d'ensemble
Les systèmes multi-agents (MAS) appliqués à la planification de tâches complexes représentent un domaine de recherche actif à l'intersection de l'intelligence artificielle, de la robotique et de l'orchestration de systèmes. Cette compétence guide la recherche systématique de publications académiques sur ce thème, avec un accent particulier sur arXiv et Semantic Scholar.
La planification de tâches complexes dans un contexte multi-agents soulève des défis spécifiques :
Décomposition : Comment découper une tâche globale en sous-tâches assignables à chaque agent ?
Coordination : Comment synchroniser les actions des agents sans conflit ?
Communication : Quel protocole pour partager l'état d'avancement ?
Réallocation dynamique : Comment réattribuer les tâches en cas de défaillance d'un agent ?
Quand utiliser cette compétence
Scénario
Pertinence
Exploration de l'état de l'art sur les MAS pour la planification
Élevée
Recherche de nouvelles méthodes de décomposition de tâches (Task Decomposition)
Élevée
Identification de benchmarks et environnements de test pour MAS
Élevée
Veille sur les publications récentes (architectures LLM-based agents)
Élevée
Recherche rapide d'un article spécifique (arXiv ID connu)
Faible
1. Stratégies de recherche sur arXiv
1.1 Requêtes ciblées par sous-domaine
Sous-domaine
Requête arXiv recommandée
Planification multi-agents
all:"multi-agent" AND all:"task planning"
Coordination
all:"multi-agent coordination" AND all:"complex"
Décomposition de tâches
all:"task decomposition" AND all:"multi-agent"
Collaboration LLM
all:"large language model" AND all:"multi-agent collaboration"
import xml.etree.ElementTree as ET
import requests
from typing importAnyclassRechercheArxivMAS:
"""Moteur de recherche spécialisé pour les publications MAS sur arXiv."""
URL_BASE = "https://export.arxiv.org/api/query"
CATEGORIES_PRIORITAIRES = ["cs.AI", "cs.MA", "cs.LG", "cs.RO", "cs.SY"]
defchercher(self, termes: str, max_resultats: int = 20,
tri: str = "relevance") -> list[dict[str, Any]]:
"""Recherche des articles sur arXiv avec paramètres optimisés pour MAS.
Args:
termes: Termes de recherche avec opérateurs.
max_resultats: Nombre maximum de résultats (max 300).
tri: 'relevance' ou 'submittedDate'.
Returns:
Liste d'articles avec métadonnées complètes.
"""
params = {
"search_query": f"({termes})",
"start": 0,
"max_results": min(max_resultats, 300),
"sortBy": tri,
"sortOrder": "descending",
}
try:
reponse = requests.get(self.URL_BASE, params=params, timeout=30)
reponse.raise_for_status()
returnself._extraire_articles(reponse.text)
except requests.RequestException as e:
print(f"Erreur de recherche arXiv : {e}")
return []
def_extraire_articles(self, xml_brut: str) -> list[dict[str, Any]]:
"""Extrait les articles du XML de réponse arXiv.
Args:
xml_brut: Réponse XML de l'API arXiv.
Returns:
Liste d'articles structurés.
"""
namespace = {
"atom": "http://www.w3.org/2005/Atom",
"arxiv": "http://arxiv.org/schemas/atom",
}
root = ET.fromstring(xml_brut)
articles = []
for entry in root.findall("atom:entry", namespace):
categories = [
cat.attrib["term"]
for cat in entry.findall("atom:category", namespace)
]
# Filtrer par catégories prioritairesifnotany(cat inself.CATEGORIES_PRIORITAIRES for cat in categories):
continue
resume = entry.find("atom:summary", namespace)
resume_texte = resume.text.strip().replace("\n", " ") if resume isnotNoneelse""
articles.append({
"id": entry.find("atom:id", namespace).text.strip(),
"titre": entry.find("atom:title", namespace).text.strip().replace("\n", " "),
"resume": resume_texte,
"categories": categories,
"date": entry.find("atom:published", namespace).text.strip(),
"auteurs": [
a.find("atom:name", namespace).text
for a in entry.findall("atom:author", namespace)
],
"lien_pdf": next(
(l.attrib["href"] for l in entry.findall("atom:link", namespace)
if l.attrib.get("title") == "pdf"),
"",
),
})
return articles
2. Enrichissement via Semantic Scholar
2.1 Récupération des métadonnées de citation
Semantic Scholar fournit des métriques d'impact (nombre de citations) et des recommandations :
# Récupérer les données de citation pour un arXiv ID spécifique
curl -s "https://api.semanticscholar.org/graph/v1/paper/arXiv:2305.12345?fields=title,citationCount,influentialCitationCount" | json_pp
# Recherche par titre
curl -s "https://api.semanticscholar.org/graph/v1/paper/search?query=multi-agent+task+planning&limit=10&fields=title,year,citationCount,abstract"
2.2 Implémentation Python
classEnrichisseurSemanticScholar:
"""Enrichit les résultats arXiv avec les données de citation Semantic Scholar."""
URL_RECHERCHE = "https://api.semanticscholar.org/graph/v1/paper/search"
URL_PAPIER = "https://api.semanticscholar.org/graph/v1/paper/"defenrichir_articles(self, articles: list[dict]) -> list[dict]:
"""Ajoute les métriques de citation aux articles arXiv.
Args:
articles: Liste d'articles récupérés depuis arXiv.
Returns:
Articles enrichis avec citationCount, influentialCitationCount.
"""
articles_enrichis = []
for article in articles:
# Extraire l'ID arXiv
arxiv_id = article["id"].split("/")[-1]
if arxiv_id.startswith("arXiv:"):
arxiv_id = arxiv_id[6:]
citations = self._recuperer_citations(arxiv_id)
article["citation_count"] = citations.get("citationCount", 0)
article["citations_influentes"] = citations.get("influentialCitationCount", 0)
articles_enrichis.append(article)
returnsorted(
articles_enrichis,
key=lambda a: a.get("citation_count", 0),
reverse=True,
)
def_recuperer_citations(self, arxiv_id: str) -> dict:
"""Récupère les métriques de citation pour un arXiv ID.
Args:
arxiv_id: Identifiant arXiv (ex. '2305.12345').
Returns:
Dictionnaire avec citationCount et influentialCitationCount.
"""try:
reponse = requests.get(
f"{self.URL_PAPIER}arXiv:{arxiv_id}",
params={"fields": "citationCount,influentialCitationCount"},
timeout=10,
)
if reponse.status_code == 200:
return reponse.json()
except requests.RequestException:
passreturn {"citationCount": 0, "influentialCitationCount": 0}
3. Synthèse et priorisation des articles
3.1 Grille de notation MAS
Critère
Pondération
Questions d'évaluation
Pertinence MAS
30 %
L'article traite-t-il explicitement de systèmes multi-agents ?
Qualité planification
25 %
La méthode de planification est-elle détaillée et reproductible ?
Tâches complexes
20 %
Les tâches étudiées sont-elles non-triviales (≥ 3 sous-tâches) ?
Évaluation
15 %
Y a-t-il des benchmarks, environnements de test, métriques claires ?
Reproductibilité
10 %
Le code source ou les données sont-ils disponibles ?
3.2 Exemple d'analyse d'article
classAnalyseurArticleMAS:
"""Analyse et note un article selon la grille MAS."""defanalyser(self, article: dict) -> dict:
"""Analyse un article et produit une fiche structurée.
Args:
article: Article avec métadonnées (titre, résumé, catégories, etc.).
Returns:
Fiche d'analyse complète avec score et recommandation.
"""
resume = article.get("resume", "").lower()
titre = article.get("titre", "").lower()
# Analyse heuristique du résumé
mots_mas = {"multi-agent", "agent", "coordination", "cooperative"}
mots_planification = {"planning", "plan", "scheduling", "decomposition"}
mots_complexite = {"complex", "hierarchical", "large-scale"}
score_mas = sum(1for m in mots_mas if m in resume) / len(mots_mas)
score_planification = sum(1for m in mots_planification if m in resume) / len(mots_planification)
score_complexite = sum(1for m in mots_complexite if m in resume) / len(mots_complexite)
score_total = (score_mas * 0.30 + score_planification * 0.25 +
score_complexite * 0.20)
# Bonus pour les articles citésif article.get("citation_count", 0) > 50:
score_total += 0.15elif article.get("citation_count", 0) > 10:
score_total += 0.10
note = min(score_total * 100, 100)
return {
"titre": article.get("titre", ""),
"score": round(note, 1),
"categorie_domaine": self._classifier(article.get("categories", [])),
"mots_cles_extraits": self._extraire_mots_cles(resume),
"recommendation": "À lire"if note >= 70else"Référence secondaire"if note >= 40else"Faible priorité",
}
def_classifier(self, categories: list[str]) -> str:
"""Classe l'article dans un sous-domaine MAS."""if"cs.MA"in categories:
return"Systèmes multi-agents"elif"cs.AI"in categories:
return"IA générale"elif"cs.RO"in categories:
return"Robotique"return"Domaine connexe"def_extraire_mots_cles(self, resume: str) -> list[str]:
"""Extrait les mots-clés caractéristiques du résumé."""
mots_cles_cibles = [
"task decomposition", "coordination", "communication",
"reinforcement learning", "hierarchical", "emergence",
"consensus", "negotiation", "distributed", "collaborative",
]
return [mc for mc in mots_cles_cibles if mc in resume]
4. Veille continue et mise à jour
4.1 Script de veille hebdomadaire
#!/bin/bash# Veille hebdomadaire : Systèmes multi-agents et planification
RAPPORT="veille_mas_$(date +%Y-%m-%d).md"echo"# Veille MAS — $(date)" > "$RAPPORT"# 1. Nouveautés arXivfor QUERY in \
'"multi-agent" AND "task planning"' \
'"multi-agent" AND "coordination"' \
'"LLM agent" AND "decomposition"'; doecho -e "\n## Requête : $QUERY\n" >> "$RAPPORT"
ENCODED=$(python3 -c "import urllib.parse; print(urllib.parse.quote('$QUERY'))")
curl -s "https://export.arxiv.org/api/query?\
search_query=${ENCODED}+AND+cat:cs.AI&\
start=0&max_results=5&\
sortBy=submittedDate&sortOrder=descending" \
| python3 -c "
import sys, xml.etree.ElementTree as ET
ns = {'atom': 'http://www.w3.org/2005/Atom'}
root = ET.fromstring(sys.stdin.read())
for e in root.findall('atom:entry', ns):
title = e.find('atom:title', ns).text.strip().replace('\n', ' ')
arxiv_id = e.find('atom:id', ns).text.split('/')[-1]
print(f'- [{title}](https://arxiv.org/abs/{arxiv_id})')
" >> "$RAPPORT"doneecho -e "\n---\n_Veille générée le $(date)_" >> "$RAPPORT"
4.2 Configuration cron
Ajoutez cette tâche au planificateur EVA ou au cron système :
# Exemple de configuration cron pour la veille MASveille_mas_hebdo:schedule:"0 8 * * 1"# Tous les lundis à 8hskill:research-multi-agent-complex-tasksparams:requetes:-'"multi-agent" AND "planning" AND cat:cs.AI'-'"task decomposition" AND cat:cs.AI'-'"LLM agent" AND cat:cs.MA'max_resultats:10stocker_dans:"veille/"
5. Pièges courants (Pitfalls)
5.1 Confusion entre agentification et agentivité
Problème : De nombreux articles utilisent le terme "agent" pour désigner n'importe quel composant logiciel, pas un véritable agent autonome.
Solution : Vérifiez la présence de mécanismes d'autonomie : prise de décision, communication, apprentissage. Un agent purement réactif (règle si-alors) n'est pas un "agent" au sens MAS.
5.2 Benchmark non standardisé
Problème : Chaque article utilise ses propres métriques et environnements, rendant les comparaisons impossibles.
Solution : Privilégiez les articles utilisant des benchmarks reconnus :
SMAC (StarCraft Multi-Agent Challenge)
Overcooked-AI (coordination humaine-IA)
MetaWorld / ALFRED (tâches robotiques)
MULTI-BENCH (benchmark unification)
5.3 Sur-spécialisation des requêtes
Problème : Des mots-clés trop spécifiques (ex. "hierarchical task network AND multi-agent AND auction-based") renvoient zéro résultats.
Solution : Utilisez la méthode large → narrow : commencez par all:"multi-agent" AND all:"planning" (large), puis affinez en ajoutant des filtres un par un.
5.4 Ignorer les articles de référence (seminal papers)
Problème : Les articles récents manquent de contexte sur les travaux fondateurs du domaine.
Solution : Cherchez aussi avec sortBy=relevance et examinez les articles les plus cités. Semantic Scholar est idéal pour identifier les papiers influents.
6. Checklist de validation
Les requêtes arXiv utilisent-elles des opérateurs booléens et des catégories ?
Les catégories cibles incluent-elles cs.AI, cs.MA, cs.RO ?
Les résultats sont-ils filtrés par date (priorité aux 12 derniers mois) ?
Un enrichissement par Semantic Scholar (citations) a-t-il été effectué ?
La grille de notation MAS a-t-elle été appliquée aux articles ?
Les articles retenus utilisent-ils des benchmarks standardisés (SMAC, etc.) ?
