Internet 3.0: Architecture for a Web-of-Agents with it's Algorithm for Ranking Agents

📄 arXiv: 2509.04979v1 📥 PDF

作者: Rajesh Tembarai Krishnamachari, Srividya Rajesh

分类: cs.AI

发布日期: 2025-09-05

💡 一句话要点

提出DOVIS协议和AgentRank-UC算法，实现Web of Agents中Agent的动态排名。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: Agent网络 Agent排名 大型语言模型 隐私保护 信任机制

📋 核心要点

  1. 现有Agent排名方法缺乏全局视角，无法有效利用分散且私有的使用信号，导致排名不准确。
  2. 论文提出DOVIS协议和AgentRank-UC算法，通过隐私保护的聚合使用数据和性能指标，实现动态、信任感知的Agent排名。
  3. 仿真结果表明，该方法具有良好的收敛性、鲁棒性和抗Sybil攻击能力，验证了其在Agent网络中的可行性。

📝 摘要（中文）

人工智能Agent，由具备推理能力的大型语言模型（LLM）驱动，并与工具、数据和网络搜索集成，正准备将互联网转变为一个“Agent网络”：一个机器原生的生态系统，其中自主Agent可以大规模地交互、协作和执行任务。实现这一愿景需要“Agent排名”——不仅根据声明的能力选择Agent，还要根据已证实的、最近的表现选择。与Web 1.0的PageRank不同，Agent交互的全局、透明网络并不存在；使用信号是分散和私有的，使得在没有协调的情况下进行排名变得不可行。我们提出了DOVIS，一个五层操作协议（发现、编排、验证、激励、语义），它能够收集整个生态系统中最小的、保护隐私的使用和性能聚合。在此基础上，我们实现了AgentRank-UC，一种动态的、信任感知的算法，它将“使用”（选择频率）和“能力”（结果质量、成本、安全性、延迟）结合成一个统一的排名。我们展示了仿真结果和关于收敛性、鲁棒性和Sybil抵抗的理论保证，证明了协调协议和性能感知排名在实现可扩展、值得信赖的Agent网络中的可行性。

🔬 方法详解

问题定义：论文旨在解决Web of Agents中Agent排名的问题。现有方法无法有效利用分散且私有的使用信号，导致排名不准确，缺乏全局视角和信任机制。此外，隐私保护也是一个重要的挑战。

核心思路：核心思路是通过设计一个协调协议，在保护隐私的前提下，收集Agent的使用和性能数据，并基于这些数据进行动态排名。AgentRank-UC算法结合了使用频率和能力指标，同时考虑了Agent之间的信任关系，从而实现更准确、更可靠的排名。

技术框架：整体框架包含五个层次，即DOVIS协议：1) Discovery (发现)：Agent的注册和发现机制；2) Orchestration (编排)：任务分配和Agent协作流程；3) Verification (验证)：验证Agent执行结果的质量；4) Incentives (激励)：激励Agent提供高质量服务；5) Semantics (语义)：Agent之间通信的语义标准。AgentRank-UC算法在此基础上，利用收集到的使用和性能数据进行排名。

关键创新：关键创新在于DOVIS协议的设计，它能够在保护隐私的前提下，收集Agent的使用和性能数据。AgentRank-UC算法则创新性地结合了使用频率、能力指标和信任关系，实现了动态、信任感知的Agent排名。与传统的PageRank算法不同，AgentRank-UC考虑了Agent的能力和信任度，更适合Agent网络的特点。

关键设计：AgentRank-UC算法的关键设计包括：1) 使用频率的计算方法；2) 能力指标的定义和计算方法，例如结果质量、成本、安全性、延迟等；3) 信任关系的建模和更新机制；4) 排名算法的收敛性保证；5) 抗Sybil攻击的机制。具体的参数设置和损失函数等细节在论文中进行了详细描述（未知）。

📊 实验亮点

论文通过仿真实验验证了DOVIS协议和AgentRank-UC算法的有效性。实验结果表明，该方法具有良好的收敛性、鲁棒性和抗Sybil攻击能力。具体的性能数据和对比基线在论文中进行了详细描述（未知），证明了该方法在实现可扩展、值得信赖的Agent网络中的可行性。

🎯 应用场景

该研究成果可应用于构建可扩展、值得信赖的Agent网络，例如智能客服、自动化流程管理、智能推荐系统等。通过Agent排名，用户可以更容易地找到高质量、可靠的Agent，从而提高任务完成效率和用户满意度。未来，该技术有望推动人工智能在各个领域的广泛应用。

📄 摘要（原文）

AI agents -- powered by reasoning-capable large language models (LLMs) and integrated with tools, data, and web search -- are poised to transform the internet into a \emph{Web of Agents}: a machine-native ecosystem where autonomous agents interact, collaborate, and execute tasks at scale. Realizing this vision requires \emph{Agent Ranking} -- selecting agents not only by declared capabilities but by proven, recent performance. Unlike Web~1.0's PageRank, a global, transparent network of agent interactions does not exist; usage signals are fragmented and private, making ranking infeasible without coordination. We propose \textbf{DOVIS}, a five-layer operational protocol (\emph{Discovery, Orchestration, Verification, Incentives, Semantics}) that enables the collection of minimal, privacy-preserving aggregates of usage and performance across the ecosystem. On this substrate, we implement \textbf{AgentRank-UC}, a dynamic, trust-aware algorithm that combines \emph{usage} (selection frequency) and \emph{competence} (outcome quality, cost, safety, latency) into a unified ranking. We present simulation results and theoretical guarantees on convergence, robustness, and Sybil resistance, demonstrating the viability of coordinated protocols and performance-aware ranking in enabling a scalable, trustworthy Agentic Web.