AgentSlimming：迈向高效且具有成本意识的多代理系统

基于 大语言模型 的多代理系统 (MAS) 在复杂任务中表现出了卓越的能力。然而，手动设计最佳通信拓扑是劳动密集型的，而自动扩展方法往往会导致结构臃肿，代理冗余，导致词元消耗过多。为了解决这个问题，我们引入了 \textbf{AgentSlimming}，一个用于图结构多代理工作流程的即插即用压缩框架。受神经网络中修剪和量化的推动，AgentSlimming 首先使用混合机制估计每个代理的重要性得分，然后删除冗余代理或用低成本代理替换它们，从而压缩工作流程，其中每个操作都使用基线锚定的接受规则进行验证，以防止性能崩溃。实验表明，AgentSlimming 将平均词元成本降低了 78.9%，而性能下降可以忽略不计，有时甚至提高了准确性，在成本和质量之间实现了强大的帕累托最优权衡。 \textit{我们的代码可在 https://github.com/CitrusYL/AgentSlimming 上公开获取