自动化研究多智能体协作的实证研究

随着人工智能代理的发展，社区正在迅速从单一 大语言模型 (LLM) 转向多代理系统 (MAS)，以克服自动化研究中的认知瓶颈。然而，这些自主代理的最佳多代理协调框架在很大程度上仍未被探索。在本文中，我们提出了一项系统的实证研究，调查不同的多智能体结构对于自动化机器学习优化的比较功效。利用配备 Git 工作树隔离和显式全局内存的严格控制、基于执行的测试台，我们针对两种多代理范例对单代理基线进行基准测试：子代理架构（具有事后整合的并行探索）和代理团队架构（具有执行前交接的专家）。通过在严格固定的计算时间预算下评估这些系统，我们的研究结果揭示了运行稳定性和理论思考之间的基本权衡。子代理模式充当高弹性、高吞吐量的搜索引擎，最适合在严格的时间限制下进行广泛、浅层的优化。相反，代理团队拓扑由于多作者代码生成而表现出更高的操作脆弱性，但在考虑到扩展的计算预算的情况下实现了复杂架构重构所需的深层理论对齐。这些经验见解为设计未来的自动研究系统提供了可行的指导方针，倡导动态路由架构，使其协作结构适应实时任务的复杂性。