Od Boidów do Agentów: Reguły stadne dla systemów AI

W 1986 roku Craig Reynolds zadał pytanie, które brzmi trywialnie: jak ptaki tworzą stada? Nie było to pytanie filozoficzne. Inżynieryjne. Chciał renderować przekonujące stada w grafice komputerowej bez skryptowania ścieżki każdego ptaka.

Algorytm boidów Craiga Reynoldsa z 1986 roku dowodzi, że trzy proste reguły lokalne (separacja, wyrównanie, spójność) wytwarzają spójne zachowanie globalne bez scentralizowanego sterowania, a te same dynamiki rządzą wieloagentowymi systemami AI. Agenci podążający za lokalnymi instrukcjami wytwarzają emergentną koordynację, gdy reguły są dobrze dobrane, oraz emergentny chaos, gdy nie są. Dodawanie kolejnych reguł w celu naprawienia przypadków brzegowych czyni agentów gorszymi, a nie lepszymi.

Jego odpowiedź wykorzystywała trzy reguły. Separacja: kieruj się tak, aby unikać tłoczenia się z sąsiadami. Wyrównanie: kieruj się w stronę średniego kursu sąsiadów. Spójność: kieruj się w stronę średniej pozycji sąsiadów. Brak lidera, brak planu lotu, brak centralnego kontrolera. Tylko trzy reguły stosowane lokalnie do każdego ptaka, wytwarzające globalną koordynację nieodróżnialną od prawdziwego zachowania stadnego.¹

Czterdzieści lat później prowadzę wieloagentowy system AI zaprojektowany wokół dziesięciu wyspecjalizowanych ról agentów, którzy badają, debatują i głosują nad decyzjami. Tej nocy, kiedy pojedynczy prompt dynamicznie zrodził 23 agentów — każdy z nich rodził kolejnych w niekontrolowanej kaskadzie — i wszyscy osiągnęli idealny konsensus w niewłaściwej kwestii, zdałem sobie sprawę, że obserwuję te same dynamiki, które opisał Reynolds: emergentną koordynację z prostych reguł oraz emergentną awarię z tego samego mechanizmu.

TL;DR

Algorytm boidów Reynoldsa pokazuje, że trzy proste reguły lokalne wytwarzają spójne zachowanie globalne bez scentralizowanego sterowania. Agenci podążający za lokalnymi instrukcjami (oceń ten kod, sprawdź tę powierzchnię bezpieczeństwa, przejrzyj tę architekturę) wytwarzają emergentną koordynację, gdy reguły są dobrze dobrane, oraz emergentny chaos, gdy nie są. Dodawanie kolejnych reguł w celu naprawienia przypadków brzegowych czyni agentów gorszymi, a nie lepszymi. Mój incydent z 23 agentami wymykającymi się spod kontroli to udowodnił: budżet spawnowania ograniczający szerokość, a nie tylko głębokość, jest agentowym odpowiednikiem reguły separacji Reynoldsa.

Trzy reguły, nieskończone stada

Proszę przełączać reguły powyżej, aby zobaczyć, co się dzieje. Gdy wszystkie trzy są aktywne, boidy tworzą stado w naturalny sposób. Po usunięciu separacji zapadają się w jedną masę. Po usunięciu wyrównania rozpraszają się w ruchu losowym. Po usunięciu spójności dryfują od siebie, zachowując lokalny kurs. Każda reguła jest niezbędna. Żadna nie wystarcza sama.

Reynolds przedstawił to na SIGGRAPH 1987 jako “Flocks, Herds, and Schools: A Distributed Behavioral Model”.¹ Praca zmieniła grafikę komputerową. Przed boidami animowane stada wymagały ręcznie skryptowanych ścieżek. Po boidach stada wyłaniały się z reguł. Ponad dekadę później, w 1998 roku, Reynolds otrzymał Scientific and Engineering Award od Academy of Motion Picture Arts and Sciences za tę pracę.²

Głębszym wkładem nie były konkretne reguły. Był nim dowód, że globalna koordynacja nie wymaga globalnej wiedzy. Każdy boid wie tylko o swoich najbliższych sąsiadach. Żaden boid nie ma mapy stada. Żaden boid nie zna celu stada. Stado nie ma celu. To, co wygląda na skoordynowany ruch, to lokalne decyzje wytwarzające globalny wzorzec.

Od pikseli do procesów

Odwzorowanie z boidów na agentów AI nie jest metaforyczne. Artykuł warsztatowy z NeurIPS 2025, “Revisiting Boids for Emergent Intelligence via Multi-Agent Collaboration”, wyraźnie stosuje zasady boidów do systemów wieloagentowych.³ Praca wykorzystuje reguły Reynoldsa jako wskazówki w języku naturalnym dla agentów w środowisku wspólnej budowy narzędzi: wyrównanie i separacja wynikają z metadanych narzędzi sąsiadów, podczas gdy spójność wstrzykuje globalne podsumowanie z poprzedniej rundy.

Moje odwzorowanie jest prostsze i pochodzi z budowania systemu przed przeczytaniem artykułu:

Analogia nie jest doskonała. Reguły boidów są ciągłe (kieruj się w stronę średniego kursu). Reguły agentowe są dyskretne (spawnuj najwyżej 12 potomków). Boidy działają we współrzędnych przestrzennych. Agenci działają w przestrzeni problemu. Ale wgląd strukturalny pozostaje ten sam: lokalne reguły, stosowane niezależnie przez każdego agenta, wytwarzają spójne zachowanie grupowe. A tryby awarii są takie same.

Noc, w której 23 agentów zgodziło się co do niewłaściwego pytania

Luty 2026. Poprosiłem mojego agenta o “zbadanie możliwości ulepszenia systemu dyspozytorskiego hooków”. Agent ocenił swoją pewność na 0,58, co wyzwoliło system deliberacji. Zrodzono trzech agentów badawczych. Każdy z nich znalazł podproblemy i zrodził swoich własnych agentów badawczych. Ci agenci zrodzili kolejnych.

Siedem minut później: 23 aktywne procesy agentów. 4,80 USD w kredytach API. Zużycie tokenów rosnące w tempie 0,70 USD na minutę.

Strażnik rekursji śledził głębokość (rodzic rodzi dziecko, dziecko rodzi wnuka), ale nie szerokość (rodzic rodzi 12 dzieci, z których każde rodzi kolejnych 12). Limit głębokości wynoszący 3 nigdy się nie wyzwolił, ponieważ agenci rozpraszali się horyzontalnie. Zabiłem procesy ręcznie.

Każdy agent zgodził się, że system dyspozytorski hooków wymaga ulepszenia. Każdy agent zaproponował rozsądne zmiany. Ani jeden agent nie zakwestionował, czy samo dochodzenie miało właściwy zakres.

Wynik pokazuje, co się dzieje, gdy ma się spójność i wyrównanie, ale nie ma separacji. Agenci zbiegali się w kierunku tego samego wniosku (spójność) i wyrównali się co do tych samych kryteriów oceny (wyrównanie). Ale nic nie powstrzymywało ich przed tłoczeniem się na tym samym podproblemie. W kategoriach Reynoldsa, 23 boidy zajmowały ten sam punkt w przestrzeni — zachowanie, któremu jego reguła separacji wyraźnie zapobiega.

Budżet spawnowania jako separacja

Poprawka zajęła 20 minut. Budżet spawnowania śledzący łączną liczbę aktywnych potomków na rodzica, ograniczony do 12.⁴ Ograniczenie szerokości, a nie tylko głębokości.

Implementacja jest licznikiem, a nie regułą:

# Simplified spawn budget (actual implementation uses hooks)
active_children = count_active_agents(parent_id=self.id)
if active_children >= MAX_CHILDREN:  # MAX_CHILDREN = 12
    return "Budget exhausted. Synthesize existing findings instead."
# else: allow spawn

Hook wymusza to deterministycznie. Agent nie może obejść licznika racjonalizacją w taki sposób, w jaki może obejść instrukcję w prompcie typu “staraj się nie spawnować zbyt wielu agentów”. Licznik albo zezwala, albo blokuje. Bez argumentów, bez interpretacji.

W kategoriach boidów budżet spawnowania jest regułą separacji: nie tłocz się z sąsiadami. W kategoriach agentowych: nie umieszczaj więcej niż N agentów na jednym podproblemie, ponieważ N+1-szy agent dodaje kosztu, nie dodając perspektywy. Incydent z 23 agentami nauczył mnie, że reguła separacji jest najważniejsza z trzech. Bez niej wyrównanie i spójność stają się patologiczne: agenci entuzjastycznie zbiegają się w stronę tej samej błędnej odpowiedzi.

Powszechne implementacje algorytmu Reynoldsa ważą siłę separacji 1,5–2 razy wyżej niż wyrównanie lub spójność dokładnie z tego powodu — konwencja udokumentowana we własnej pracy uzupełniającej Reynoldsa, “Steering Behaviors for Autonomous Characters” (GDC 1999), w której omawia łączenie sił oparte na priorytetach i zauważa, że unikanie kolizji (separacja) zazwyczaj otrzymuje najwyższy priorytet.⁸ W moim systemie hooki wymuszają budżet spawnowania (deterministycznie, odporne na racjonalizację agenta), podczas gdy prompty i kontekst kształtują wyrównanie i spójność (miększe, giętkie). Najtwardsze ograniczenie otrzymuje najtwardsze egzekwowanie.

Dlaczego więcej reguł czyni agentów gorszymi

Proszę przełączyć symulację boidów powyżej. Teraz należy wyobrazić sobie dodanie czwartej reguły: “unikaj środka kanwy”. Piątej: “preferuj górną połowę”. Szóstej: “odwróć kurs co 100 klatek”.

Każda reguła z osobna jest rozsądna. Razem niszczą stado. Boidy drgają między konkurencyjnymi siłami, niezdolne jednocześnie spełnić wszystkich ograniczeń. Eleganckie zachowanie stadne zapada się w szum, ponieważ każda reguła tworzy wektor siły, a gdy sześć wektorów sił ciągnie w różnych kierunkach, wynikowy ruch jest praktycznie losowy.

Zaobserwowałem ten sam wzorzec w orkiestracji agentów. Wczesne wersje mojego systemu deliberacji miały rozbudowane reguły: minimalna głębokość badań, obowiązkowa liczba cytowań, wymagane generowanie kontrargumentów, wymuszone przejścia adwokata diabła. Każda reguła poprawiała jakiś konkretny przypadek awarii. Razem produkowały agentów, którzy wydawali więcej tokenów na spełnianie reguł niż na rozwiązywanie problemów. Konkretny przykład: reguła “obowiązkowego kontrargumentu” wymagała od każdego agenta argumentowania przeciwko własnemu ustaleniu. Reguła “minimalnej liczby cytowań” wymagała trzech źródeł na twierdzenie. Gdy agent generował prawdziwy kontrargument, reguła cytowań zmuszała go do znalezienia trzech źródeł popierających przeciwstawne stanowisko — co czasami dawało silniejsze dowody na niewłaściwą odpowiedź niż na właściwą. Te dwie reguły wchodziły w interakcje, nagradzając dobrze udokumentowane kontrarianizmy ponad poprawną analizę.

Filozofia skumulowanej inżynierii, którą udokumentowałem, wyjaśnia, dlaczego dzieje się to na poziomie systemu: każda nowa reguła wchodzi w interakcje z każdą istniejącą regułą, tworząc złożoność kombinatoryczną. Dziesięć reguł nie daje dziesięciu ograniczeń. Daje potencjalnie 45 interakcji parami. Zachowanie systemu staje się trudniejsze do przewidzenia, trudniejsze do debugowania i bardziej podatne na emergentną awarię.

Oryginalny artykuł Reynoldsa implicite to rozumiał. Pierwotna praca przedstawiała trzy reguły. Reynolds badał dodatkowe zachowania (unikanie przeszkód, dążenie do celu), ale utrzymywał rdzeń modelu stadnego minimalnym. Dodanie czwartej reguły rdzeniowej wymagałoby przeważenia wag wszystkich czterech — problem, który rośnie kombinatorycznie z każdym dodaniem.

Lekcja agentowa: zaczynać od minimalnych reguł, które wytwarzają pożądane zachowanie. Dodawać reguły tylko wtedy, gdy obserwuje się konkretną awarię, której żadna istniejąca reguła nie obejmuje. A dodając regułę, sprawdzić, czy nie zakłóca ona pozostałych.

Decentralizacja jako architektura

Brak centralnego kontrolera nie jest ograniczeniem boidów. Jest architekturą. Stado koordynuje się dlatego, że żaden pojedynczy ptak nie ma władzy nad pozostałymi. Gdyby jeden ptak stał się liderem, system stałby się kruchy — zależny od osądu tego ptaka, podatny na jego awarię. Wzorzec ten odzwierciedla zasadę rozproszonej odporności, którą strukturalna pustka tworzy w innych dziedzinach.⁵

Ten sam wzorzec pojawia się w wieloagentowych systemach AI. AutoGen firmy Microsoft (wersja 0.4+, 2025) koordynuje agentów poprzez protokoły konwersacji, a nie scentralizowaną orkiestrację — każdy agent decyduje, kiedy się wypowiedzieć, na podstawie lokalnego kontekstu, a framework wyraźnie unika wyznaczania agenta “prowadzącego”.⁶ CrewAI (wersja 0.28+, 2025) definiuje role agentów i reguły przekazywania poprzez swoją abstrakcję “crew”, ale nie nadaje żadnemu pojedynczemu agentowi władzy nadrzędnej nad innymi.⁷ W moim systemie deliberacji żaden pojedynczy agent nie ma prawa weta. Każdy ocenia niezależnie. Protokół konsensusu agreguje ich ustalenia. Jeśli jeden agent wyprodukuje śmieci, inni go przegłosują. Scentralizowane sterowanie ponownie wprowadziłoby pojedynczy punkt awarii, który zdecentralizowana koordynacja eliminuje.

Gdy trzy reguły zadziałały: cichy sukces

Incydent z 23 agentami jest pamiętny, ponieważ zawiódł spektakularnie. Sukcesy są cichsze i liczniejsze.

Tydzień po dodaniu budżetu spawnowania poprosiłem system o “ocenę, czy infrastruktura testów A/B bloga powinna używać przypisywania wariantów po stronie serwera czy po stronie klienta”. System deliberacji zrodził trzech agentów badawczych. Agent 1 badał podejścia po stronie serwera (oparte na cookies, oparte na sesji). Agent 2 badał podejścia po stronie klienta (localStorage, parametry URL). Agent 3 oceniał wzorce hybrydowe. Każdy agent pracował niezależnie (spójność: zbieżność ku temu samemu pytaniu oceniającemu). Każdy używał tych samych standardów dowodowych (wyrównanie: wspólne kryteria jakości). Budżet spawnowania uniemożliwił któremukolwiek agentowi zrodzenie własnych podagentów dla tego zadania (separacja: brak tłoczenia).

Trzej agenci zwrócili ustalenia. Agent 1 opowiedział się za przypisywaniem po stronie serwera ze względu na spójność SEO. Agent 2 opowiedział się za stroną klienta ze względu na prostotę implementacji. Agent 3 zidentyfikował podejście hybrydowe zgodne z istniejącymi wzorcami w bazie kodu. Protokół konsensusu zsyntetyzował ustalenia: przypisywanie po stronie serwera dla bloga (gdzie SEO ma znaczenie), z nadpisaniem po stronie klienta dla komponentów interaktywnych (gdzie JavaScript już działa).

Cała deliberacja zajęła cztery minuty i kosztowała 1,40 USD. Żaden agent nie zrodził podagentów. Żaden agent nie zgodził się z pozostałymi przedwcześnie. Rekomendacje były niezależne i rzeczywiście komplementarne. Architektura trzech reguł wytworzyła dokładnie takie zachowanie, jakie opisał Reynolds: lokalne decyzje wytwarzające skoordynowany globalny wynik.

Emergentne wzorce w innych dziedzinach

Wzorzec “proste reguły, emergentne zachowanie” nie jest unikalny dla boidów ani agentów. Pojawia się wszędzie tam, gdzie lokalne decyzje agregują się w globalną strukturę:

Kody Hamminga demonstrują pokrewną formę emergencji. Strategiczne umieszczenie bitów parzystości na pozycjach będących potęgami 2 tworzy system, w którym pozycja błędu wyłania się z XOR-owania pozycji wszystkich bitów “1”. Żaden bit nie wie, gdzie jest błąd. Lokalizacja błędu wyłania się ze struktury. Pojedynczy bit parzystości w izolacji mówi niemal nic. Wiele bitów parzystości we właściwych pozycjach mówi wszystko.

Gra w życie Conwaya wytwarza szybowce, oscylatory i obliczenia kompletne w sensie Turinga z czterech reguł zastosowanych do siatki. Reguły są prostsze niż boidy (komórka żyje, jeśli ma 2–3 sąsiadów, w przeciwnym razie umiera). Emergentna złożoność jest nieograniczona.

W każdym przypadku wzorzec jest ten sam: lokalne reguły, brak centralnego koordynatora, emergentne globalne zachowanie. I w każdym przypadku obowiązuje ten sam tryb awarii: dodać zbyt wiele reguł, a system zapada się z eleganckiej emergencji w chaotyczną interferencję.

Kluczowe wnioski

Dla inżynierów projektujących systemy wieloagentowe:

• Trzy reguły wytwarzają zachowanie stadne. Cztery reguły mogą tego nie osiągnąć. Wgląd Reynoldsa polegał na tym, że trzy dobrze dobrane reguły są wystarczające dla emergentnej koordynacji. Dodanie czwartej tworzy interferencję, która może zniszczyć zachowanie wytworzone przez pierwsze trzy. Należy zaczynać od minimalnych reguł wytwarzających pożądane zachowanie.

• Separacja jest najważniejszą regułą. Bez niej wyrównanie i spójność stają się patologiczne, a agenci zbiegają się ku tej samej błędnej odpowiedzi. Budżet spawnowania (ograniczenie szerokości) był najistotniejszą pojedynczą zmianą, jaką wprowadziłem w moim systemie wieloagentowym.

Dla architektów budujących systemy rozproszone:

• Brak lidera to architektura. Scentralizowane sterowanie tworzy pojedynczy punkt awarii. Zdecentralizowana koordynacja poprzez lokalne reguły jest bardziej odporna. Należy projektować systemy agentowe bez “agenta prowadzącego”, chyba że ma się konkretny powód, aby go dodać.

• Więcej reguł tworzy więcej interakcji. N reguł wytwarza do N(N-1)/2 interakcji parami. Zachowanie staje się trudniejsze do przewidzenia z każdym dodaniem. Należy dodawać reguły tylko wtedy, gdy obserwuje się konkretną awarię, której nie obejmuje żadna istniejąca reguła.

Ćwiczenie: Mapowanie własnego systemu. Należy naszkicować swój obecny system wieloagentowy (lub system, który planuje się zbudować). Dla każdego agenta należy zidentyfikować, którą z trzech reguł Reynoldsa realizuje. Jeśli brakuje separacji, należy dodać budżet spawnowania lub limit współbieżności. Jeśli brakuje wyrównania, należy zdefiniować wspólne kryteria oceny. Jeśli brakuje spójności, należy dodać krok syntezy. Diagram ujawnia, na który tryb awarii system jest najbardziej podatny.

FAQ

Czym są boidy i dlaczego mają znaczenie dla projektowania agentów AI?

Boidy to symulowani agenci (pierwotnie “obiekty przypominające ptaki”) podążający za trzema lokalnymi regułami: separacja (unikanie tłoczenia się z sąsiadami), wyrównanie (kierowanie się ku średniemu kursowi sąsiadów) i spójność (kierowanie się ku średniej pozycji sąsiadów). Craig Reynolds wprowadził je na SIGGRAPH 1987. Mają znaczenie, ponieważ udowodniły, że złożone, skoordynowane zachowanie globalne może wyłaniać się z prostych reguł lokalnych bez jakiegokolwiek centralnego kontrolera — zasada ta stosuje się bezpośrednio do wieloagentowych systemów AI, robotyki roju i obliczeń rozproszonych.

Jak reguły boidów stosują się do orkiestracji agentów AI?

Każda reguła boidów odwzorowuje się na ograniczenie projektowe agenta. Separacja staje się budżetem spawnowania (ograniczenie, ilu agentów pracuje nad tym samym podproblemem). Wyrównanie staje się wspólnymi kryteriami oceny (wszyscy agenci używają tego samego standardu jakości). Spójność staje się protokołem konsensusu (agenci zbiegają się ku ustaleniom grupy). Odwzorowanie jest strukturalne, a nie metaforyczne: oba systemy wytwarzają emergentną koordynację z reguł lokalnych stosowanych niezależnie przez każdego agenta.

Dlaczego więcej reguł czyni wieloagentowe systemy AI gorszymi, a nie lepszymi?

Każda nowa reguła wchodzi w interakcje z każdą istniejącą regułą, tworząc złożoność kombinatoryczną. Dziesięć reguł wytwarza do 45 interakcji parami. Agenci wydają tokeny na spełnianie ograniczeń reguł zamiast rozwiązywania problemów. Ta sama dynamika pojawia się w boidach: dodanie czwartej reguły (np. “unikaj środka”) wymusza ponowne przeważenie wag w stosunku do pierwotnych trzech, a eleganckie zachowanie stadne często degeneruje się w drgania, gdy agenci próbują jednocześnie spełnić konkurencyjne siły.

Kiedy należy używać scentralizowanego sterowania zamiast emergentnej koordynacji?

Scentralizowanego sterowania należy używać wtedy, gdy potrzebne są ścisłe gwarancje kolejności (sekwencyjne etapy pipeline’u), gdy awarie muszą być obsługiwane deterministycznie (transakcje finansowe) lub gdy system wymaga pojedynczej, autorytatywnej decyzji zamiast konsensusu (rozwiązywanie konfliktów scalania). Emergentnej koordynacji należy używać, gdy agenci mogą oceniać niezależnie, gdy redundancja poprawia niezawodność i gdy żaden pojedynczy agent nie potrzebuje pełnego obrazu, aby dobrze wykonywać swoją pracę.

Część serii Interactive Explorations, w której algorytmy spotykają się z intuicją wizualną: od kodów Hamminga wychwytujących własne błędy po boidy tworzące stada bez lidera. Wzorce orkiestracji agentów pojawiają się szczegółowo w The Ralph System i Multi-Agent Deliberation. Warstwa metakognitywnego programowania dodaje samomonitorowanie pojedynczego agenta, uzupełniając koordynację między agentami opisaną powyżej.