# SHIFT skapar anpassade AI-agentteam för varje fråga

> En ny metod, SHIFT, använder en lokal modell för att sätta samman flera AI-agenter i realtid. Det ökar träffsäkerheten och minskar beräkningskostnaden.

Oossa · 2026-10-06 · https://oossa.com/sv/shift-system-builds-custom-ai-agent-teams-per-query

Forskare publicerade den 6 oktober 2026 en artikel om SHIFT, ett system som automatiskt skapar den bästa kombinationen av AI-agenter för varje fråga. I stället för att prova många upplägg medan systemet körs tränar SHIFT en liten språkmodell att förutsäga vilket upplägg som fungerar bäst. Därefter använder systemet Monte Carlo-trädsökning för att sätta samman agenterna. Metoden testades på 9 193 uppgifter inom sex jämförelsetester, från matematikproblem till dokumenthantering och arbete som allmän assistent.

## Hur bra presterar SHIFT?

Med Gemini 3.5 Flash som exekveringsmodell nådde SHIFT en genomsnittlig träffsäkerhet på cirka 80 procent. Det var bättre än 17 andra metoder, däribland vanlig promptning, metoder för promptoptimering och andra sätt att söka efter arbetsflöden. Den starkaste konkurrenten låg 7,2 procentenheter efter. En billigare konfiguration av SHIFT presterade fortfarande bättre än samtliga jämförelsemetoder och använde 32 procent färre token, vilket innebär att den krävde mindre beräkningskraft.

## Därför spelar den gemensamma utformningen roll

Författarna visar att det fungerar bättre att välja kommunikationsstruktur, instruktioner och verktyg tillsammans än att välja någon av delarna var för sig. Den gemensamma utformningen förbättrade resultaten med upp till 9,1 procentenheter jämfört med att enbart välja instruktioner eller verktyg. Den inlärda värdefunktionen hjälpte också till att välja träffsäkrare och billigare lösningar från en grupp kandidater.

## Fakta

- SHIFT presenterades i en artikel som publicerades på arXiv den 6 oktober 2026.
- Metoden utvärderades på 9 193 uppgifter inom sex jämförelsetester.
- Med Gemini 3.5 Flash nådde SHIFT en genomsnittlig träffsäkerhet på cirka 80 procent, 7,2 procentenheter högre än den bästa jämförelsemetoden.
- En billigare version av SHIFT använde 32 procent färre exekveringstoken än den starkaste jämförelsemetoden och presterade ändå bättre än samtliga jämförelsemetoder.
- Att välja struktur, instruktioner och verktyg tillsammans ökade träffsäkerheten med upp till 9,1 procentenheter jämfört med att bara välja en av delarna.

## Varför det spelar roll

För utvecklare som bygger AI-assistenter kan SHIFT ge bättre prestanda utan att de behöver utforma agentupplägg för hand för varje ny fråga. Metoden minskar också beräkningskostnaderna, vilket kan sänka molnutgifterna och göra mer avancerade tjänster med flera AI-agenter billigare för slutanvändarna.

## Källor och referenser

1. [Dynamic Harness Search: Building Multi-Agent Systems Per-Query via Prediction](https://arxiv.org/abs/2610.04137) – arXiv cs.LG, 2026-10-06

Senast uppdaterad: 2026-10-06