Der zunehmende Umfang kommerziell verfügbarer konversationsbasierter Agenten (CAs) auf dem Markt hat dazu geführt, dass Nutzer mit dem Lernen und der Anwendung mehrerer Agenten zur Erledigung ihrer Aufgaben belastet sind. Obwohl frühere Arbeiten sich damit befasst haben, eine Vielzahl von Domänen innerhalb des Designs eines einzelnen Agenten zu unterstützen, leidet die Interaktionsqualität angesichts des großen Aktionsspektrums der gewünschten Fähigkeiten. Um diese Probleme anzugehen, stellen wir eine neue Aufgabe vor: BBAI – Black-Box Agent Integration (Schwarzbox-Agenten-Integration), die sich auf die Kombination der Fähigkeiten mehrerer Schwarzbox-CAs im großen Maßstab konzentriert. Wir untersuchen zwei Techniken: Frage-Agent-Zuordnung und Frage-Antwort-Zuordnung, die darauf abzielen, diese Aufgabe zu lösen. Unter Verwendung dieser Techniken entwickeln wir „One For All“ (OFA), ein skalierbares System, das eine einheitliche Schnittstelle für die Interaktion mit mehreren CAs bereitstellt. Zudem führen wir MARS – Multi-Agent Response Selection (Mehragenten-Antwortselektion) ein, ein neues Encoder-Modell für die Frage-Antwort-Zuordnung, das Nutzerfragen und Agentenantwortenpaare gemeinsam kodiert. Wir zeigen, dass OFA in der Lage ist, eine Gruppe kommerziell verfügbarer CAs aus verschiedenen Bereichen automatisch und präzise zu integrieren. Insbesondere erreichen wir mit dem MARS-Encoder die höchste Genauigkeit bei unserer BBAI-Aufgabe und übertreffen starke Baseline-Modelle.