ATOM：通过核电子层次结构实例化预算可控的多智能体协作

基于 大语言模型 (LLM) 的多代理系统依靠优化的协作拓扑来平衡性能和通信成本。然而，当前的方法在固有的稳定性与可扩展性之间进行权衡，并且经常使计算预算与查询难度不一致。我们提出 \textsc{ATOM}，一种自适应框架，通过新颖的任务驱动强化学习范例生成预算可控的协作图。受原子结构的启发，\textsc{ATOM} 采用核-电子层次结构：它保持稳定的离线学习协作主干（核），同时在推理过程中动态激活查询条件代理（电子）。至关重要的是，复杂性感知的预算策略通过估计查询难度来严格控制电子实例化，从而使资源消耗与任务需求保持一致。跨越六个不同基准的大量实验表明，与强大的基准相比，\textsc{ATOM} 实现了最先进的性能，同时将词元效率提高了高达 $30\%$。