加强多智能体流网络中的协作

多代理系统通过将复杂任务分解为由不同代理处理的专门子任务，提供了一种扩展 大语言模型 (LLM) 的强大方法。然而，它们的性能常常受到错误传播的阻碍，这些错误传播是由于工作流程设计不理想或代理输出不准确而引起的，这些错误传播可能会通过代理协作流程传播并降低最终结果。为了应对这些挑战，我们提出了 MANGO（多智能体网络梯度优化），这是一个数据驱动的框架，它通过根据过去成功的工作流程构建的流网络来组织和完善智能体协作。 MANGO将强化学习和文本梯度相结合，共同优化工作流程路径和代理行为，同时跳跃机制可以防止对优化良好的代理进行冗余更新，从而提高效率。对七个基准的大量实验表明，与最先进的基准相比，MANGO 的性能提高了 12.8%，效率提高了 47.4%，并有效地推广到了未知的领域。我们的代码和数据集可在 https://github.com/openJiuwen-ai/agent-store/tree/main/community/mango 上公开获取。