驯服“僵尸”代理：用于弹性多代理进化的马尔可夫状态感知框架

基于 LLM 的多智能体系统的最新进展展示了跨复杂任务的卓越协作能力。为了提高整体效率，现有方法通常依赖于代理之间的积极图演化（例如，节点或边缘修剪），这存在由于幻觉或临时知识差距等瞬态问题而过早丢弃有价值的代理的风险。然而，这种严格的修剪忽略了“僵尸”智能体在后续讨论中恢复和做出贡献的潜力。在本文中，我们提出了 AgentRevive，一种用于弹性多智能体进化的马尔可夫状态感知框架。我们的方法通过软状态转换动态管理代理协作，通过两个关键组件实现：（1）状态感知策略学习：代理状态分为“活动”、“备用”和“终止”状态，根据代理内存有选择地传播消息。该策略采用风险估计器通过评估幻觉风险来优化代理状态转换，最大限度地减少不可靠节点的影响，同时保护有价值的节点。 (2) 状态感知边缘优化：根据从策略中学到的状态来修剪子图边缘，永久删除“终止”节点并为后续轮保留“备用”节点，以评估其潜在的未来贡献。对一般推理、特定领域和幻觉挑战任务的大量实验表明，我们的方法始终优于强大的基线，并通过状态感知代理调度显着减少了词元消耗。