Unified-MAS：普适生成领域特定节点以赋能自动多智能体系统

自动多智能体系统（MAS）生成已成为解决复杂推理任务的一个有前景的范式。然而，现有框架应用于知识密集型领域（如医疗和法律）时存在根本性瓶颈。它们要么依赖Chain-of-Thought等缺乏专业知识的通用节点静态库，要么尝试即时动态生成节点。在后者情形下，编排器不仅受制于自身内部知识的极限，还必须同时生成领域特定逻辑并优化高层拓扑，导致严重的架构耦合，拖累整体系统效能。为弥合这一差距，我们提出Unified-MAS，通过离线节点合成把细粒度节点实现与拓扑编排解耦。Unified-MAS分两个阶段运行：（1）基于搜索的节点生成（Search-Based Node Generation）检索外部开放世界知识，以合成专用节点蓝图，克服LLM的内部知识局限；（2）基于奖励的节点优化（Reward-Based Node Optimization）利用困惑度（perplexity）引导的奖励，迭代增强瓶颈节点的内部逻辑。跨四个专业领域的大量实验表明，把Unified-MAS集成进四个Automatic-MAS基线可获得更优的性能-成本权衡，最高取得14.2%的提升，同时显著降低成本。进一步分析显示其在不同设计者LLM下的鲁棒性，以及其在数学推理等常规任务上的有效性。