SkillGraph：基于多模态图拓扑的自进化多智能体协作

将视觉语言模型扩展为视觉多智能体系统（VMAS）受到两个相互耦合问题的阻碍。其一，通信拓扑在推理前就已固定，对视觉内容与查询上下文一无所知；其二，智能体的推理能力在部署期间保持静止。这两个问题相互强化：僵化的拓扑无法利用更丰富的智能体专长，而静态的智能体也缺乏针对特定查询进行专门化的激励。我们提出SkillGraph来应对这一挑战，这是一个同时进化智能体专长与通信拓扑的联合框架。在该框架中，多模态图Transformer（MMGT）编码视觉token、指令语义与活跃技能嵌入，以预测以查询为条件的协作图，用动态的、内容感知的信息流取代手工设计的路由。与之互补，技能设计器（Skill Designer）从失败案例中提炼并改进推理启发式，构建自进化的多模态技能库（Skill Bank）。关键在于，更新后的技能嵌入被反馈回MMGT，使拓扑能够随能力增长同步适应。实验表明，SkillGraph在四个基准、五种常见MAS结构和四个基础模型上取得一致提升。代码发布于 https://github.com/niez233/skillgraph。