Meta-Agent：从任务描述到经验证的多智能体系统

AI智能体越来越多地被用于解决复杂的多步任务，但随着工作流规模和深度的增长，现有多智能体框架仍然脆弱。中间阶段的小错误会通过智能体交互传播，而证据关联（grounding）不足与验证机制薄弱进一步限制了可靠性。我们提出Meta-Agent，一个从自然语言任务描述自动构建并执行专用多智能体系统的两阶段框架。在构建阶段，任务规划器将问题分解为智能体规范构成的有向无环图，每个规范带有显式的输入/输出契约和验证标准。网络搜索模块用外部证据为每个规范提供证据关联，代码生成模块生成系统提示和工具配置。随后，构建时验证阶段对生成的工件进行校验，并在检测到失败时触发有针对性的重新生成。在执行阶段，协调者在智能体图上分派子任务，同时执行时验证对中间输出进行把关。我们进一步引入三级错误归因机制，区分局部、上游和结构性故障，从而支持从局部重试到部分重执行和重新分解等有针对性的恢复策略。我们在编码、上下文学习和开放式推理任务上评估Meta-Agent。与强多智能体基线的对比实验和消融研究表明，Meta-Agent在任务成功率、错误恢复和工作流稳定性方面取得一致改进。结果凸显了将规划、证据关联与验证紧密集成对于构建可靠多智能体系统的重要性。