基于蚁群优化的高效可解释多智能体LLM路由

由大语言模型（LLM）驱动的多智能体系统（MAS）在复杂推理和工具使用方面展现出强大能力，而异构智能体池进一步拓宽了质量-成本权衡空间。尽管有这些进展，现实部署仍常受制于高推理成本、延迟和有限的透明度，这阻碍了可扩展且高效的路由。现有路由策略通常依赖昂贵的基于LLM的选择器或静态策略，在动态负载和混合意图下对语义感知路由的可控性有限，常导致性能不稳定和资源利用低效。为解决这些局限，我们提出AMRO-S，一个面向多智能体系统（MAS）的高效且可解释的路由框架。AMRO-S将MAS路由建模为语义条件化的路径选择问题，通过三个关键机制提升路由性能：首先，它利用监督微调（SFT）的小语言模型进行意图推断，为每个查询提供低开销的语义接口；其次，它将路由记忆分解为任务特定的信息素专家，减少跨任务干扰并在混合工作负载下优化路径选择；最后，它采用质量门控的异步更新机制将推理与学习解耦，在不增加延迟的情况下优化路由。在五个公开基准上的大量实验和高并发压力测试表明，AMRO-S相对强路由基线持续改善质量-成本权衡，并通过结构化信息素模式提供可追溯的路由证据。