AgentDropoutV2:通过测试时纠正或拒绝剪枝优化多智能体系统中的信息流

虽然多智能体系统（MAS）在复杂推理方面表现出色，但它们却受到个体参与者生成的错误信息的连锁影响。当前的解决方案通常采用刚性结构工程或昂贵的微调，限制了它们的可部署性和适应性。我们提出了 AgentDropoutV2，这是一种测试时纠正或拒绝修剪框架，旨在动态优化 MAS 信息流而无需重新训练。我们的方法充当主动防火墙，拦截代理输出并采用检索增强整流器基于故障驱动的指标池迭代纠正错误。该机制允许使用提取的故障模式作为先验知识来精确识别潜在错误。随后修剪不可修复的输出以防止错误传播，同时回退策略保持系统完整性。广泛数学基准的实证结果表明，AgentDropoutV2 显着提高了 MAS 的任务性能，在数学基准上实现了 6.3 个百分点的平均准确率提升。此外，该系统表现出强大的泛化性和适应性，根据任务难度动态调整纠正工作，同时利用上下文感知指标来解决各种错误模式。我们的代码和数据集发布于 https://github.com/TonySY2/AgentDropoutV2。