MetaCogAgent：具有自我感知任务委派的元认知多智能体LLM框架

多智能体大语言模型（LLM）系统在通过智能体协作解决复杂任务方面展现出前景。然而，现有框架基于预定义角色分配任务，未考虑智能体能否准确评估自身的能力边界，导致其在超出专长的任务上过度自信地执行。受认知科学元认知理论启发，我们提出MetaCogAgent，一个多智能体LLM框架，其中每个智能体都配备元认知自我评估单元，在执行前评估任务与能力的匹配度。该框架引入三项贡献：(1) 自我评估机制，通过结合言语化不确定性与历史能力画像来估计每任务置信度；(2) 自适应委派协议，通过跨智能体评估将低置信度任务路由给更合适的智能体；(3) 能力边界学习模块，通过控制论反馈迭代精化每个智能体的能力模型。在我们构建的MetaCog-Eval基准（跨5个认知维度的700个任务）上的实验表明，MetaCogAgent达到82.4%的任务准确率——比最佳路由基线高8.7%——同时API调用次数比AutoGen少5%，比集成投票少34%。消融研究证实每个元认知组件都对整体系统性能有贡献。