CONCAT：共识和信心驱动的临时团队，用于基于 LLM 的高效多代理系统

尽管基于 大语言模型 (LLM) 的多智能体系统 (MAS) 显示出其解决复杂任务并比单智能体系统实现更高性能的能力，但由于智能体之间的大量通信，它们会导致巨大的计算开销。之前的研究已经努力训练稀疏多智能体图或微调规划器以更好地编排工作流程。然而，这种额外的训练过程会带来计算成本，并将 MAS 限制在特定领域，从而损害了它们的通用性。在本文中，我们提出了 CONCAT，一种基于共识和置信驱动的 Ad hoc Teaming 的 无需训练 多智能体协作框架，以有效地组织智能体交互。具体来说，智能体根据其初始答案进行聚类，并根据智能体的置信度选择每个聚类的领导者。然后，设计基于心智理论的启发式函数，根据每两位领导者的答案和信心来预测他们之间的合作效益。最后，根据预测的收益驱逐一定比例的通信后，组织一个临时多代理网络。三个 LLM 和三个基准测试的实验表明，CONCAT 的效率（准确度/延迟比）比 LLM-Debate 高出 2.02 倍，并且优于 AgentDropout 等训练感知方法，同时在 Qwen2.5-14B-Instruct 上将平均延迟降低了 50.1%，无需任何特定于任务的训练。