Zespół naukowców opracował SwarmResearch - system orkiestracji agentów AI, który rozwiązuje fundamental problem obecnych długotrwałych agentów kodujących: tendencję do zbyt wczesnej konwergencji na jedno podejście do problemu. Zamiast jednego agenta akumulującego kontekst przez długi czas, SwarmResearch używa Shepherd Agent do kierowania populacją Search Agents, z których każdy pracuje w odseparowanym git branch'u z własnym kontekstem lokalnym.
Problem, który rozwiązuje system, jest rzeczywisty w badaniach nad autonomicznymi agentami kodującymi. Gdy agent pracuje w jednym, długowiększającym się kontekście i widzi tylko jeden stan programu, zazwyczaj zaczyna wprowadzać drobne edycje, aby polepszyć swoje początkowe rozwiązanie. To prowadzi do zagubiania całkowicie różnych, potencjalnie lepszych podejść do problemu. SwarmResearch zmienia tę architekturę, umożliwiając równoległa eksplorację różnych kierunków w wydzielonych środowiskach.
Wyniki są obiecujące - na 13 z 15 testowanych zadań open-ended optimization SwarmResearch znalazł lepsze lub porównywalne rozwiązania w stosunku do state-of-the-art technik opartych na ewolucji LLM-guided i podejściach multi-agent. Kluczową zaletą jest inteligentne skalowanie paralelizmu w zależności od głębokości poszukiwań, co daje lepsze wyniki niż proste zwiększanie liczby agentów seryjnych lub równolegych.