通过结构引导编排进行多代理协调适应

随着基于 大语言模型 (LLM) 的多智能体系统扩展以处理日益复杂的任务，平衡结构稳定性和动态适应性变得越来越具有挑战性。现有系统通常采用以结构为中心的方法，致力于预先确定的限制细粒度控制的结构，或以编排为中心的方法，动态调整决策，同时使协调结构隐式且不稳定。为了应对这一挑战，我们从概率的角度重新审视多智能体协调，将其视为对结构和编排的联合分布的后验推理。我们引入 MACA，这是一种自动协调框架，它可以学习任务和预算条件的结构，优先于代理的参与和交互。该先验指导基于策略的编排作为后验推理的近似，从而通过细粒度控制实现高效的解决方案。在各个基准测试中，MACA 的性能平均优于自适应多智能体基准 8.42%，同时使用的词元减少了 43.19%。进一步的研究表明，结构和编排的联合适应抑制了冗余的交互，将协调集中到任务有效的执行上。