OrchMAS：多协作异构科学专家结构化智能体的编排推理

多智能体大语言模型框架在复杂多步推理上前景可观，但现有系统因提示与角色静态、工作流僵化、依赖同质模型，在科学与知识密集领域仍然薄弱，导致领域适配差、推理灵活性有限、异构或长程科学任务延迟高。当中间推理出现分歧时，它们也难以修正较早决策，降低结构化、重计算场景的可靠性。为解决这些局限，我们提出面向科学领域的交互式两层多模型编排框架。专门的编排模型分析每个任务、动态构建领域感知的推理流水线、以定制提示实例化专家智能体，执行模型则按生成的角色与指令规范执行各步。编排器基于中间反馈迭代更新流水线，支持多轮交互中的动态重规划、角色重分配和提示改进，通过结构化异构模型协作强化科学推理的稳健性与专业化。该框架模型无关，支持接入容量或成本不同的异构 LLM，在实际科学部署中实现灵活的性能-效率权衡。实验显示，在多样推理与科学风格基准上，其表现一致优于现有多智能体系统和强基线。