面向LLM推理的脑启发图多智能体系统

摘要

大语言模型（LLM）在广泛的语言任务上展现出卓越能力，但复杂的多步推理仍是根本性挑战。尽管配备扩展思维链机制的大推理模型（LRM）相较标准LLM表现出更好的性能，但两类模型在足够复杂的任务上仍会出现准确率崩溃，这表明仅靠扩展模型级推理是不够的。受人类认知全局工作空间理论的启发，我们提出脑启发图多智能体系统（Brain-Inspired Graph Multi-Agent Systems, BIGMAS），其中专业化LLM智能体作为动态构建的有向图中的节点组织起来，并仅通过集中式共享工作空间进行协调。问题自适应的GraphDesigner构建任务专属的智能体拓扑，而全局Orchestrator利用完整的共享状态做出路由决策，克服了反应式方法的局部视野瓶颈。在六个前沿LLM上于Game24、Six Fives和Tower of London的实验表明，BIGMAS一致提升标准LLM与LRM的推理性能，优于包括ReAct和Tree of Thoughts在内的现有多智能体基线，说明多智能体架构设计带来与模型级推理增强正交的互补增益。

面向LLM推理的脑启发图多智能体系统：论文配图 — 图 2：BIGMAS 框架概述。 (a) 图设计：GraphDesigner 代理 𝒟\mathcal{D} 分析问题实例 𝒫=(x,𝒞,y*)\mathcal{P}=(x,\mathcal{C},y^{*}) 并生成特定于任务的有向代理图 𝒢\mathcal{G} 以及工作空间合约 κ\kappa。 (b) 工作区 ℬ\mathcal{B}：集中式共享工作区，分为只读上下文 ℬctx\mathcal{B}_{\text{ctx}}、读写工作区 ℬwork\mathcal{B}_{\text{work}}、系统元数据 ℬsys\mathcal{B}_{\text{sys}} 和仅限接收器的答案存储ℬans\mathcal{B}_{\text{ans}};所有代理节点仅通过 ℬ\mathcal{B} 进行交互。 (c) 图执行：每个活动节点 vtv_{t} 通过 LLM 调用产生结构化写入指令 ωt=(π,α,δ)\omega_{t}=(\pi,\alpha,\delta)；该指令针对 ℬ\mathcal{B} 和 𝒢\mathcal{G} 进行验证，并在失败时进行自我纠正循环。全局 Orchestrator 根据完整的工作空间状态路由执行；当达到汇聚节点 vsnkv_{\text{snk}} 或步预算 TmaxT_{\max} 耗尽时，系统将停止。