TEMM1E v3.0.0 は、AIエージェントの調整に群知能を導入します

AIエージェントランタイムのための群知能

TEMM1E v3.0.0は「Many Tems」を導入しました——これは複数のAIエージェントワーカーがスティグマジー（環境信号による間接的コミュニケーション）を通じて調整する群知能システムです。このアプローチは、AutoGen、CrewAI、LangGraphなどの従来のマルチエージェントフレームワークで問題となる調整オーバーヘッドを排除します。従来のフレームワークでは、すべての調整メッセージにLLM呼び出しとトークンコストが必要でした。

仕組み

• アルファ（調整役）がタスクを依存関係グラフに分解（LLM呼び出しは1回のみ）
• テムのパック（ワーカー）が実際の並列tokioタスクとして生成
• 各テムはアトミックSQLiteトランザクションでタスクを要求（分散ロックなし）
• テムは作業中にスケント信号（時間減衰フェロモン）を発信——「完了」「行き詰まり」「困難」
• 他のテムはこれらの信号を読み取り、次のタスクを選択——純粋な算術演算、LLM呼び出しゼロ
• すべてのタスク完了時に結果が集約

技術的詳細

重要な洞察はコンテキストの増大に対処することです：12のサブタスクを処理する単一エージェントは、以前のすべての出力をコンテキストに保持します。サブタスク12までに、コンテキストは28倍に増加します。追加のサブタスクごとにコストが増加します——LLMは以前のすべてを読み取るため、二次関数的な増加：h*m(m+1)/2。

パックワーカーは、タスク記述と依存タスクからの結果のみを保持します。コンテキストは、総サブタスク数に関わらず約190バイトで一定です。二次関数的ではなく線形的です。

ベンチマーク

実際のGemini 3 Flash API呼び出し（シミュレーションではない）：

• 12の独立関数：単一エージェント103秒、パック18秒。5.86倍高速。7,379トークン対2,149トークン。3.4倍低コスト。品質：両方12/12テスト合格。
• 5つの並列サブタスク：単一エージェント7.9秒、パック1.7秒。4.54倍高速。同じトークン（1.01倍比率——無駄ゼロを証明）。
• 単純メッセージ（「hello」）：パックは正しく起動せず。オーバーヘッドゼロ。不可視。

他のシステムとの違い

• 調整トークンゼロ。AutoGen/CrewAIは調整にLLM間チャットを使用——すべてのメッセージにコストがかかります。TEMM1Eのスケントフィールドは算術演算（指数関数的減衰、ジャッカード類似度、重ね合わせ）です。計算は単一トークンよりも低コストです。
• 単純タスクでは不可視。分類器（すべてのメッセージで既に実行中）が判断します。「単純」または「標準」と判断された場合——単一エージェント、オーバーヘッドゼロ。パックは真に複雑なマルチ成果物タスクでのみ起動します。

実装詳細

タスク選択式は40行の算術演算であり、LLM呼び出しではありません：

S = Affinity^2.0 * Urgency^1.5 * (1-Difficulty)^1.0 * (1-Failure)^0.8 * Reward^1.2

1,535テスト。群れクレート単体で71テスト、実際の並列性を証明する2テストを含む（4ワーカーが200msタスクを約200msで完了、約800msではない）。

Rustで構築。17クレート。オープンソース。MITライセンス。研究論文にはすべてのベンチマークコマンドが含まれており——APIキーがあればすべての数値を自分で再現できます。

制限と学び

群れは、LLMが「これら7つのことを実行」を1回の応答で処理する単一ターンタスクには役立ちません。排除すべき履歴蓄積がありません。コンテキストが増加する複数のツールループラウンドを含むタスクに役立ちます——これは実際のエージェント作業が行われる方法です。

チームはGemini Flash Lite（$0.075/M入力）、Gemini Pro、GPT-5.2でベンチマークを実行しました。総実験コスト：$30予算のうち$0.04。完全な実験レポートには、群れが勝った場所以外に、負けたすべてのシナリオも含まれています。