MAS-Algorithm：用多智能体系统求解算法编程问题的工作流

算法问题解决是评估人工智能编码系统中结​​构化推理的严格测试平台，因为它直接反映了模型在复杂场景下执行结构化推理的能力。现有方法主要依赖于以模型为中心的策略，例如架构修改和数据扩展，这些策略成本高昂且可解释性有限。利用外部工具或提示技术（例如思想链）的替代方法通常是分散的并且缺乏统一的框架。在本文中，我们提出了 MAS-Algorithm，这是一种系统的多智能体工作流程，用于解决算法问题，其灵感来自于竞争性程序员和算法工程师的实践。我们的框架将端到端求解过程分解为模块化阶段，从而实现结构化推理、工具集成以及代理之间的灵活协调。该设计强调严谨性和可扩展性，使其能够泛化到不同的问题类型。在自建基准测试上的实验结果表明，多个 Qwen 系列模型都有一致的改进，接受率平均提高了 6.48%。相比之下，对相同数据进行参数高效微调仅产生 0.89% 的边际改进。我们进一步观察到 LiveCodeBench-Pro 提高了 4.72%，并且其他准确性和效率指标也得到了持续改进。除了性能提升之外，我们还进行全面的分析，以更好地理解工作流程中的推理过程，包括错误模式和跨场景行为。我们进一步进行定制的替代和消融研究来探索框架的上限，结果表明单个代理可以贡献高达 27.7% 的改进。这些结果凸显了 MAS 算法在推进人工智能驱动的算法推理方面的强大潜力。