TacoMAS：基于 LLM 的多代理系统中拓扑和功能的测试时协同演化

多智能体系统（MAS）已成为解决复杂任务的有前途的范例。最近的工作探索了自我进化的 MAS，可以自动优化代理功能或通信拓扑。然而，现有的方法要么学习在推理时保持固定的拓扑，要么在推理期间仅适应拓扑或能力。我们从经验和理论上表明，有效的测试时间演化需要共同适应两个轴，但在不同的时间尺度上：能力应该快速更新以处理新出现的子任务，而拓扑应该更慢地演化以保持协调稳定性。然后我们介绍 TacoMAS，一个动态 MAS 的测试时协同进化框架。 TacoMAS 将 MAS 推理制定为在线图适应任务，其中节点代表具有特定于角色的功能的代理，边定义其通信拓扑。在推理过程中，快速能力循环使用轨迹级反馈更新代理专业知识，而慢速元 LLM 驱动的拓扑循环则在 MAS 上执行代理的生死操作，包括边缘编辑、代理添加和代理删除。我们进一步表明，这种快慢设计推动 MAS 朝着任务条件稳定平衡的方向发展。对四个基准的实验表明，TacoMAS 的性能优于近 20 个多智能体基准，比最强基准平均提高了 13.3%。代码发布于 https://github.com/chenxu2-gif/TacoMAS-MultiAgent。