NeuroMAS：将多代理系统视为神经网络并进行联合强化学习

多代理语言系统通常构建为手工设计的工作流：代理被指派语义角色，通信协议预先指定。我们提出NeuroMAS，该方法首先把多代理语言系统视为可训练、可扩展的类神经网络架构，其中LLM代理是节点，中间文本信号是边。在NeuroMAS中，代理节点无角色但具结构感知：拓扑只大致决定信息如何流动，而强化学习训练决定节点如何通信、分工与协调。这一表述将多代理设计从工作流工程转向架构设计，深度、宽度、连接性和生长协议成为可扩展的能力来源。此外，我们提供理论视角，说明当任务可层级分解时，这类模块化文本计算为何更具参数效率。实验显示，NeuroMAS显著优于推理时与经训练的多代理基线。我们进一步发现组织化扩展具有路径依赖性：更大的系统从零开始训练可能困难，但从较小的已训练系统渐进生长则变得可行。这些结果表明，习得的神经多代理系统是LLM一条有前景的扩展轴。