Am 6. Okt. 2026 veröffentlichten Forschende eine Arbeit über SHIFT – ein System, das für jede Frage automatisch die passende Kombination von KI-Agenten zusammenstellt. Statt zur Laufzeit zahlreiche Konfigurationen auszuprobieren, trainiert SHIFT ein kleines Sprachmodell darauf, das erfolgversprechendste Design vorherzusagen. Anschließend stellt das System die Agenten mithilfe einer Monte-Carlo-Baumsuche zusammen. Getestet wurde das Verfahren mit 9.193 Aufgaben aus sechs Benchmarks, von Matheaufgaben über die Verarbeitung von Dokumenten bis hin zu allgemeinen Assistenzaufgaben.
Wie gut schneidet SHIFT ab?
Mit Gemini 3.5 Flash als Ausführungsmodell erzielte SHIFT eine durchschnittliche Genauigkeit von rund 80 Prozent. Damit übertraf das System 17 konkurrierende Methoden, darunter einfache Prompts, Verfahren zur Prompt-Optimierung und andere Methoden zur Suche nach passenden Workflows. Der stärkste Konkurrent lag 7,2 Prozentpunkte zurück. Eine kostengünstigere SHIFT-Konfiguration übertraf weiterhin sämtliche Vergleichsmethoden und benötigte dabei 32 Prozent weniger Tokens – also weniger Rechenleistung.
Warum das gemeinsame Design wichtig ist
Laut den Autorinnen und Autoren funktioniert es besser, Kommunikationsstruktur, Anweisungen und Tools gemeinsam auszuwählen, als nur eines dieser Elemente für sich zu optimieren. Die gemeinsame Auswahl verbesserte die Ergebnisse um bis zu 9,1 Punkte gegenüber der Auswahl allein von Anweisungen oder Tools. Auch die gelernte Wertfunktion half dabei, aus einer Auswahl möglicher Agenten-Setups genauere und kostengünstigere auszuwählen.
Warum es wichtig ist
Für Entwicklerinnen und Entwickler von KI-Assistenten verspricht SHIFT bessere Ergebnisse, ohne dass sie für jede neue Anfrage von Hand ein Agenten-Setup entwerfen müssen. Zugleich sinkt der Rechenaufwand. Das kann Cloud-Kosten senken und leistungsfähigere Dienste mit mehreren Agenten für Endnutzer erschwinglicher machen.
