TEMM1E v3.0.0 führt Schwarmintelligenz zur Koordination von KI-Agenten ein

Schwarmintelligenz für KI-Agenten-Laufzeiten

TEMM1E v3.0.0 führt "Many Tems" ein — ein Schwarmintelligenzsystem, bei dem mehrere KI-Agenten-Arbeiter durch Stigmergie koordinieren: indirekte Kommunikation über Umgebungssignale. Dieser Ansatz beseitigt den Koordinationsaufwand, der traditionelle Multi-Agenten-Frameworks wie AutoGen, CrewAI und LangGraph plagt, wo jede Koordinationsnachricht einen LLM-Aufruf erfordert und Tokens kostet.

Wie es funktioniert

• Der Alpha (Koordinator) zerlegt Aufgaben in einen Abhängigkeitsgraphen mit einem LLM-Aufruf
• Ein Pack von Tems (Arbeiter) entsteht als echte parallele Tokio-Aufgaben
• Jeder Tem beansprucht eine Aufgabe über atomare SQLite-Transaktion (keine verteilten Sperren)
• Tems senden Scent-Signale (zeitlich abklingende Pheromone) während der Arbeit — "Ich bin fertig", "Ich stecke fest", "das ist schwierig"
• Andere Tems lesen diese Signale, um ihre nächste Aufgabe zu wählen — reine Arithmetik, null LLM-Aufrufe
• Ergebnisse werden aggregiert, wenn alle Aufgaben abgeschlossen sind

Technische Details

Die zentrale Erkenntnis befasst sich mit Kontextwachstum: Ein einzelner Agent, der 12 Teilaufgaben verarbeitet, trägt ALLE vorherigen Ausgaben im Kontext. Bis zur 12. Teilaufgabe ist der Kontext um das 28-fache gewachsen. Jede zusätzliche Teilaufgabe kostet mehr, weil der LLM alles Vorherige liest — quadratisches Wachstum: h*m(m+1)/2.

Pack-Arbeiter tragen nur ihre Aufgabenbeschreibung + Ergebnisse von Abhängigkeitsaufgaben. Der Kontext bleibt flach bei ~190 Bytes, unabhängig davon, wie viele Teilaufgaben insgesamt existieren. Linear, nicht quadratisch.

Benchmarks

Echte Gemini 3 Flash API-Aufrufe (nicht simuliert):

• 12 unabhängige Funktionen: Einzelner Agent 103 Sekunden, Pack 18 Sekunden. 5,86x schneller. 7.379 Tokens vs 2.149 Tokens. 3,4x günstiger. Qualität: beide 12/12 bestehen Tests.
• 5 parallele Teilaufgaben: Einzelner Agent 7,9 Sekunden, Pack 1,7 Sekunden. 4,54x schneller. Gleiche Tokens (1,01x Verhältnis — beweist null Verschwendung).
• Einfache Nachrichten ("hallo"): Pack wird korrekterweise NICHT aktiviert. Null Overhead. Unsichtbar.

Was dies unterscheidet

• Null Koordinationstokens. AutoGen/CrewAI verwenden LLM-zu-LLM-Chat für Koordination — jede Nachricht kostet. TEMM1Es Duftfeld ist arithmetisch (exponentieller Zerfall, Jaccard-Ähnlichkeit, Superposition). Die Mathematik ist günstiger als ein einzelner Token.
• Unsichtbar für einfache Aufgaben. Der Klassifikator (bereits bei jeder Nachricht laufend) entscheidet. Wenn er "einfach" oder "standard" sagt — einzelner Agent, null Overhead. Pack wird nur für wirklich komplexe Multi-Deliverable-Aufgaben aktiviert.

Implementierungsdetails

Die Aufgabenauswahlgleichung besteht aus 40 Zeilen Arithmetik, kein LLM-Aufruf:

S = Affinität^2.0 * Dringlichkeit^1.5 * (1-Schwierigkeit)^1.0 * (1-Fehler)^0.8 * Belohnung^1.2

1.535 Tests. 71 allein im Schwarm-Crate, einschließlich zwei, die echte Parallelität beweisen (4 Arbeiter, die 200ms-Aufgaben in ~200ms abschließen, nicht ~800ms).

In Rust gebaut. 17 Crates. Open Source. MIT-lizenziert. Das Forschungsdokument enthält jeden Benchmark-Befehl — Sie können jede Zahl selbst mit einem API-Schlüssel reproduzieren.

Einschränkungen und Erkenntnisse

Der Schwarm hilft nicht bei Einzelaufgaben, bei denen der LLM "mache diese 7 Dinge" in einer Antwort bearbeitet. Es gibt keine Historieakkumulation zu beseitigen. Er hilft, wenn Aufgaben mehrere Tool-Loop-Runden beinhalten, bei denen der Kontext wächst — so geschieht echte agentische Arbeit tatsächlich.

Das Team führte Benchmarks auf Gemini Flash Lite ($0,075/M Input), Gemini Pro und GPT-5.2 durch. Gesamtkosten des Experiments: $0,04 aus einem $30 Budget. Der vollständige Experimentbericht enthält jedes Szenario, in dem der Schwarm verlor, nicht nur wo er gewann.