Towards Interoperability between Agentic AI Frameworks through Semantic Representation

Abstract

Agentische KI-Systeme werden zunehmend mit Frameworks wie CrewAI, AutoGen und LangGraph implementiert, die ähnliche architektonische Konzepte jeweils durch grundlegend verschiedene Konstrukte auf Codeebene realisieren. Da jedes Framework diese architektonische Information in seiner eigenen Semantik ausdrückt, lassen sich agentische KI-Systeme über Frameworkgrenzen hinweg nur schwer vergleichen, migrieren oder prüfen.Bestehende semantische Repräsentationen beschreiben agentische Architekturen nur auf hoher Abstraktionsebene und bestehende Transformationsansätze extrahieren sie lediglich in eine Richtung, sodass der vollständige Weg vom Quellcode zu einer semantischen Repräsentation und zurück offen bleibt.Die vorliegende Arbeit untersucht, inwieweit eine semantische Repräsentation Interoperabilität zwischen modernen agentischen KI-Frameworks ermöglichen kann und verfolgt dies in drei Schritten: Zunächst werden die Anforderungen, die eine solche Interoperabilitätan die Repräsentation stellt, aus der Literatur und einer Analyse der drei Zielframeworks erhoben. Anschließend wird eine Ontologie entwickelt, die diese Anforderungen erfüllt.Abschließend wird eine bidirektionale Transformationspipeline erstellt, die Quellcode und Repräsentation verbindet. Zwei Artefakte setzen diesen Ansatz um: Erstens AgentOSCIN,eine OWL-Ontologie, die bestehende Ontologien um sieben Konzeptgruppen erweitert (Agentendefinition, Wahrnehmung und Aufgabendefinition, Koordination, Reasoning,Gedächtnis, Werkzeuge sowie Guardrails und Governance) und die im Anforderungsschritt abgeleiteten Repräsentationsanforderungen kodiert. Zweitens AgenticBIT, eine deterministische Pipeline auf Basis der OSCIN-Methode, die AgentOSCIN-Instanzenmittels statischer AST-Analyse aus Quellcode extrahiert und daraus über Templatesframeworkspezifischen Code regeneriert.Der Ansatz wird anhand eines Korpus von sechs Aufgabenfamilien evaluiert, die über drei agentische KI-Frameworks (d. h. CrewAI, AutoGen und LangGraph) portiert wurden.AgentOSCIN beantwortet alle 35 Kompetenzfragen vollständig, gegenüber 22,9 Prozent bei AgentO und 17,1 Prozent bei einem vereinheitlichten Klassenmodell als Baseline.Innerhalb eines Frameworks erreicht die Extraktion einen mittleren Triple F1 von 0,986 und die Generierung einen mittleren AST F1 von 0,882 und übertrifft damit eine LLM-basierte Extraktionsbaseline deutlich. Über Frameworkgrenzen hinweg bleibt strukturelle Information nur teilweise erhalten (mittlerer Aligned F1 von 0,569) und die generierten Systeme sind ohne Unterstützung selten lauffähig; ein LLM-basierter Reparaturschritt steigert die vollständige Zielerreichung von 3 von 54 auf 29 von 54 generierte Systeme. Die Ergebnisse zeigen, dass eine semantische Repräsentation die Architektur agentischer Systeme über Framework grenzen hinweg tragen kann, während ausführbare Interoperabilität dadurch begrenzt bleibt, was die Repräsentation zu modellieren wählt.

Agentic AI systems are increasingly built with frameworks such as CrewAI, AutoGen and LangGraph, each of which realises similar architectural concepts through fundamentally different code-level constructs. Because each framework expresses this architectural information in its own semantics, agentic AI systems are hard to compare, migrate or audit across frameworks. Existing semantic representations describe agentic architectures only at a high level, and existing transformation approaches extract them in one direction only, leaving the round trip from source code to a semantic representation and back as open work.This thesis investigates to what extent a semantic representation can enable interoperability between modern agentic AI frameworks and pursues this in three steps: it first elicits the representational requirements such interoperability demands, from the literature andan analysis of the three target frameworks; it then develops an ontology that meets them;and it finally builds a bidirectional transformation pipeline that connects source code and representation. Two artefacts realise this approach: First, AgentOSCIN, an OWL ontol-ogy, extends existing ontologies across seven concept groups (agent definition, perceptionand task, coordination, reasoning, memory, tools, and guardrails and governance) andencodes a set of representational requirements derived in the requirements step. Second,AgenticBIT, a deterministic pipeline based on the OSCIN method, extracts AgentOSCINinstances from source code via static AST analysis and regenerates framework-specific code from them via templates.The approach is evaluated over a corpus of six task families ported across three AgenticAI frameworks (i.e. CrewAI, AutoGen and LangGraph). AgentOSCIN answers all 35 competency questions fully, against 22.9 per cent for AgentO and 17.1 per cent for aunified class model baseline. Within a framework, extraction reaches a mean Triple F1of 0.986 and generation a mean AST F1 of 0.882, clearly out performing an LLM-based extraction baseline. Across framework boundaries, structural information is preservedonly partially (mean Aligned F1 of 0.569) and generated systems rarely run unaided; anLLM-based repair step raises full goal attainment from 3/54 to 29/54 generated systems.The results show that a semantic representation can carry the architecture of agentic systems across frameworks, while executable interoperability remains bounded by what the representation chooses to model.