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、可信排序。

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

关键词: Agent排序 Web of Agents 大型语言模型 隐私保护 信任机制

📋 核心要点

  1. 现有Agent排序方法缺乏全局视角，无法有效利用分散且私有的使用信号，导致排序不准确。
  2. 论文提出DOVIS协议，旨在收集保护隐私的使用和性能数据，并设计AgentRank-UC算法进行动态排序。
  3. 仿真结果表明，该方法在收敛性、鲁棒性和抗Sybil攻击方面具有理论保证，验证了其可行性。

📝 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，有望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大规模地交互、协作和执行任务。实现这一愿景需要“Agent排序”——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序是不可行的。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攻击抵抗的理论保证，证明了协调协议和性能感知排名在实现可扩展、可信的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排序的问题。现有方法无法有效利用分散且私有的使用信号，导致排序结果不准确，无法反映Agent的真实能力和表现。此外，缺乏全局视角和协调机制，使得构建可信的Agent网络面临挑战。

核心思路：论文的核心思路是通过设计一个协调协议（DOVIS）来收集必要的Agent使用和性能数据，并在保护隐私的前提下，利用这些数据进行动态的、信任感知的Agent排序。AgentRank-UC算法则将使用频率和能力指标（质量、成本、安全、延迟）相结合，从而更全面地评估Agent的价值。

技术框架：整体框架包含五个层次，即DOVIS协议的五个层：1) Discovery（发现）：Agent的注册和发现机制；2) Orchestration（编排）：Agent任务的分配和协调；3) Verification（验证）：Agent执行结果的验证和评估；4) Incentives（激励）：激励Agent提供高质量服务的机制；5) Semantics（语义）：Agent之间进行语义理解和交互的协议。AgentRank-UC算法则基于DOVIS协议收集的数据，动态计算Agent的排名。

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，为Agent排序提供依据。AgentRank-UC算法则将使用频率和能力指标相结合，从而更全面地评估Agent的价值，并引入信任机制，提高排序的鲁棒性。

关键设计：DOVIS协议的关键设计在于其隐私保护机制，例如使用差分隐私等技术来保护Agent的敏感数据。AgentRank-UC算法的关键设计在于如何平衡使用频率和能力指标，以及如何动态调整信任参数，以适应Agent网络的变化。具体的参数设置和损失函数等细节在论文中可能未详细描述，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 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，该方法在收敛性、鲁棒性和抗Sybil攻击方面具有理论保证，能够有效地对Agent进行排序，并提高Agent网络的整体性能。具体的性能数据和提升幅度在摘要中未明确给出，属于未知信息。

🎯 应用场景

该研究成果可应用于构建可信赖的Agent网络，例如智能客服、自动化任务处理、智能推荐等领域。通过对Agent进行有效排序，可以提高任务完成的效率和质量，降低成本，并增强用户对Agent网络的信任。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.