迈向LLM智能体的自适应、可扩展且鲁棒协同：动态自组网视角

基于大语言模型（LLM）构建的多智能体架构已展现出通过精心设计的协作实现群体智能的潜力。然而，人工编排的沉重负担内在地提出了自动化设计Agentic工作流的迫切需求。我们将这一智能体协同挑战构架为动态自组网中的一个经典问题：如何在可扩展数量的Agentic主机之间建立自适应且可靠的通信？针对这一悬而未决的难题，我们提出RAPS，一个用于LLM智能体自适应、可扩展且鲁棒协同的声誉感知发布-订阅范式。RAPS以分布式发布-订阅协议为基础，允许LLM智能体依据其声明的意图而非预定义拓扑交换消息。在此基础之上，RAPS进一步融入两个相互配套的覆盖层：（i）反应式订阅，使智能体能够动态细化其意图；（ii）贝叶斯声誉，赋予每个智能体一个本地看门狗，以检测并隔离恶意对等节点。在五个基准上的大量实验表明，我们的设计在统一的多智能体协同框架中有效调和了适应性、可扩展性与鲁棒性。