Phase 16: Multi-Agent & Swarms

Economias de agentes, incentivos para tokens, reputação

Type: Learn

Languages: Python (stdlib)

Prerequisites: Phase 16 · 16 (Negotiation and Bargaining), Phase 16 · 09 (Parallel Swarm Networks)

Time: ~75 minutes

Problemas

Os sistemas de agentes múltiplos tornam-se complicados quando os agentes produzem valor em conjunto, mas precisam ser recompensados individualmente. Mecanismos clássicos divisão igual, último contribuinte-tomou-todos são injustos ou jogáveis. A recompensa baseada em coalizão através dos valores de Shapley é justa por construção, mas cara para calcular. A literatura 2025-2026 empurra aproximações úteis: amostragem de Shapley, leilões de agregação monótona e reputação na cadeia que se acumula a partir de contribuições confirmadas.

Além da atribuição de crédito, o campo se tornou para agentes econômicos reais: a Bittensor TAO recompensa a computação de mineração para ajustar os modelos específicos da sub-rede, Fetch.ai/ASI recompensa o uso de ASI-1 Mini LLM com tokens FET, a Gonka realoca a prova de trabalho de transformador para tarefas produtivas de IA. Agentes que transacionam de forma autônoma existem hoje; a questão é como alinhar os incentivos.

Esta lição trata as economias de agentes como uma família de problemas específicos atribuição de crédito, design de mecanismo e reputação e constrói cada uma com a matemática mínima para que as ideias fiquem.

Conceptos

A pilha de 5 camadas de agente-economia

1. DePIN (physical compute).Infraestrutura descentralizada que aluga GPU, armazenamento, largura de banda, sub-rede de Bittensor, Render Network, Akash, não específica para um agente, os agentes usam.
2. Identity.Os identificadores descentralizados (DIDs) do W3C dão a cada agente uma identificação duradoura independente de qualquer plataforma. A reputação acumula-se no DID. O protocolo de rede de agentes (ANP) usa o DID como camada de descoberta.
3. Cognition.O ciclo de raciocínio do agente: LLM + RAG + MCP.
4. Settlement.A abstracção de contas (ERC-4337) permite aos agentes pagar o gás dos seus próprios saldos sem manterem a ETH.
5. Governance.DAO agentes: estruturas de governança onde os seres humanos e agentes votam sobre alterações de protocolo, com o poder de voto ligado à reputação.

Nem todos os sistemas de produção usam todos os cinco. Bittensor usa 1, 2, parcialmente 3, parcialmente 4, nenhum dos 5.

Bittensor, Fetch.ai, Gonka o que corre

Bittensor (TAO).As sub-redes são tarefas especializadas (modelagem de linguagem, geração de imagem, previsão). Os mineiros enviam resultados de modelos. Os validadores classificam-nos; a pontuação ponderada pela participação distribui as recompensas da TAO. Cada sub-red tem sua própria avaliação. A lição econômica: pagar pela qualidade de saída específica da tarefa, não computação usada.

Fetch.ai / ASI Alliance.O ASI-1 Mini LLM é executado na rede Fetch.ai; os usuários pagam tokens FET para inferir. A narrativa de agentes como pares é mais forte aqui: um agente no Fetch pode chamar outro para uma tarefa e pagar em FET.

Gonka.Transformador prova de trabalho: o "trabalho" é passes adiantadas de um transformador. Os mineiros ganham executando tarefas de inferência que conhecem saídas corretas (a partir de dados de treinamento). PoW produtivo de recursos em vez de PoW baseado em hash.

Todos os três são de nível de produção a partir de abril de 2026. A distribuição de pagamentos difere. Bittensor recompensa qualidade em relação a validadores de subnet; Fetch recompensa utilidade medida por usuários pagantes; Gonka recompensa trabalho de inferência verificável.

Atribuição de crédito de valor Shapley

Três agentes colaboram numa tarefa.

Valor Shapley: a atribuição de crédito única que satisfaz quatro axiomas (eficácia, simetria, linearidade, nulo).i- Não .

Copyshapley(i) = (1/N!) * sum over all orderings O of (v(S_i_O ∪ {i}) - v(S_i_O))

ondeS_i_Oé o conjunto de agentes antes iem ordemO. Na prática: enumerar todas as permutativas, registar a contribuição marginal de cada agente em cada permutância, média.

Para N=3 agentes, há 6 permutações. Para N=10, 3.6M , então na prática você amostra ordens em vez de enumerar.

Leilão de segunda ordem para agregação

O Google Research ("Design Mechanism for large language models") propõe leilões de tokens de segundo preço para a agregação de resultados de LLM. Configuração: N agentes propõem cada um uma conclusão; cada um tem um valor particular para ser selecionado. O leilão escolhe a proposta de maior valor e paga o segundo valor mais elevado Sob a agregação monótona (o valor depende de qual proposta é escolhida, não de quantos foram ofertados), isto é verdadeiro agentes oferecem o seu verdadeiro valor.

Por que isso importa para os sistemas de LLM: pode terceirizar tarefas de conclusão para vários agentes com preços diferentes; o leilão escolhe o melhor + paga justamente, e os agentes não têm incentivo para relatar erroneamente.

Capitais de reputação

Uma pontuação de reputação vinculada ao DID acumula-se a partir de contribuições confirmadas.

Copyrep(i, t+1) = alpha * rep(i, t) + (1 - alpha) * contribution_quality(i, t)

Com fator de decomposiçãoalphaPróximo a 1. Repútua:

• É barato para ler para decisões de roteamento ("enviar tarefas difíceis para agentes de alta repetição").
• É caro de forjar (acumula ao longo do tempo, ligado ao DID).
• Pode ser cortado: contribuições que não conseguem ser verificadas subtraem.

AAMAS 2025 LAMAS descentralizada

A proposta LaMAS (AAMAS 2025) combina: identidade DID, atribuição de crédito de valor Shapley e um mecanismo de leilão simples.

Onde a economia se desmorona

• Price oracle manipulation.Se a função de crédito for jogada, os agentes vão jogar.
• Sybil attacks.Um operador faz a venda de N agentes falsos para aumentar a sua própria contribuição.
• Verification cost.A atribuição de crédito é apenas tão justa quanto o verificador.Se a verificação é barata (pequena LLM), pode ser jogada; se cara (panel humano), o sistema não se escala.
• Regulatory overhang.As economias de agentes se cruzam com a regulamentação financeira. Bittensor, Fetch e Gonka operam todas em áreas cinzentas legais em algumas jurisdições a partir de 2026.

Quando as economias de agentes fazem sentido

• Open networks with heterogeneous operators.Nenhuma equipa controla todos os agentes.
• Verifiable outputs.Sem verificação, a atribuição de crédito é uma suposição.
• Long-horizon workflows.As tarefas de um só tiro não se beneficiam da acumulação de reputação.
• Tokenized payments are legally viable- Na sua jurisdição.

Em sistemas corporativos fechados, a economia dá lugar a uma alocação mais simples (os gerentes atribuem trabalho, as métricas são internas).

Construí-lo

code/main.pyImplementos:

• shapley(value_fn, agents) cálculo exato de Shapley por enumeração para N pequeno.
• second_price_auction(bids)- mecanismo verdadeiro; o vencedor paga o segundo maior.
• Reputation Repútua de DID com decadência exponencial e corte.
• Demo 1: três agentes colaboram, o Shapley atribui o crédito exato.
• Demo 2: cinco agentes oferecem uma oportunidade de tarefa; segundo preço de leilão escolhe o vencedor + pagamento.
• Demo 3: 100 rodadas de atribuição de tarefas a agentes com repetição heterogênea; rotação ponderada por repetição bate aleatório.

• Correr .

Copypython3 code/main.py

Resultados esperados: valores Shapley para cada agente; resultado do leilão mostrando equilíbrio de oferta verdadeira; roteamento ponderado por repetição mostrando ganho de qualidade de 10-20% sobre aleatório após aquecimento.

Usá-lo

outputs/skill-economy-designer.mdconcebe uma economia de agente mínima: escolha da camada de identidade, mecanismo de atribuição de crédito, mecanismo de pagamento, regra da reputação.

Envia-o

• Dirigir uma economia de agentes em 2026:

• Start with reputation, not tokens.A reputação é barata de implementar e valiosa sozinha; os tokens acrescentam complexidade jurídica e econômica.
• Verify before you reward.Nunca distribuir crédito sem uma fase de verificação independente.
• Shapley-sample, not Shapley-exact.Ensaio de 100 a 1000 ordens; a enumeração exata não é escalada.
• Cap decay factor and floor reputation.A decomposição ilimitada esvaziar os contribuintes legítimos; a decomposição muito lenta recompensa agentes ultrapassados de alta repetição.
• Audit mechanisms adversarially.Exerça cenários de equipe vermelha antes de abrir a rede.

Exercícios

1. Corra .code/main.pyConfirmar a soma dos valores de Shapley para o valor total (axioma da eficiência). Mudar a função de valor; as atribuições de Shapley mudam na direção esperada?
2. Implementar Shapley sampling (Monte Carlo sobre K ordens). Como K afeta a precisão da aproximação?
3. Implementar uma etapa de formação de coalizão antes do leilão: os agentes podem se fundir em equipes e fazer ofertas como uma unidade.
4. Leia o post de design de mecanismos da Google Research. Identifique uma suposição que, se violada, quebra a veracidade. Como é que esse modo de falha parece em um ambiente de LLM?
5. Leia o artigo LaMAS descentralizado AAMAS 2025. Implemente o passo Shapley sobre 10 agentes em uma tarefa sintética. Quanto tempo leva o cálculo exato?

Termos-chave

Mais leitura

• The Agent Economy Enquesta de 2026 sobre a pilha de 5 camadas de economia de agentes
• Google Research — Mechanism design for large language models Leilões simbólicas com agregação monótona
• AAMAS 2025 — decentralized LaMAS Atribuição de crédito de valor Shapley
• Bittensor TAO documentation Estrutura da sub-rede e distribuição de recompensas
• Fetch.ai / ASI Alliance ASI-1 Mini LLM e FET token
• W3C Decentralized Identifiers (DIDs) spec Fundação da identidade

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.