StackPlanner：具备任务-经验记忆管理的集中式分层多智能体系统

基于大语言模型的多智能体系统，尤其是集中式架构，近来在复杂且知识密集型任务上展现出强大潜力。然而，中央智能体常因缺乏记忆管理而难以维持稳定的长期协作，导致上下文膨胀、错误累积以及跨任务泛化能力差。为同时应对任务级记忆低效与协调经验无法复用这两个问题，我们提出StackPlanner，一个具有显式记忆控制的分层多智能体框架。StackPlanner通过将高层协调与子任务执行解耦并实施主动的任务级记忆控制，以及通过结构化经验记忆和强化学习来学习检索并利用可复用的协调经验，来应对这些挑战。在多个深度搜索和智能体系统基准上的实验证明了我们的方法在实现可靠的长期多智能体协作方面的有效性。