连接需求和架构：具有外部知识和分层内存的多代理编排

软件架构设计是一个关键但本质上复杂且知识密集的阶段，需要平衡竞争的质量属性并适应不断变化的需求。传统上，这个过程是耗时、劳动密集型的，并且严重依赖架构师，常常导致对替代架构分解和风格的探索有限，特别是在敏捷开发的压力下。虽然基于 LLM 的代理在各种软件工程任务中表现出了良好的性能，但它们在架构设计中的应用仍然相对稀缺，需要系统的探索。为了应对这些挑战，我们提出了 MAAD（多代理架构设计），这是一个知识驱动的框架，它协调四个专业代理（即分析师、建模者、设计者和评估者），以自主协作地将需求规范转换为具有质量属性评估的全面、多视图架构蓝图。 MAAD 结合 RAG 将公认的架构标准和模式注入到工作流程中，并利用分层内存机制来捕获设计历史以进行迭代细化。我们通过与 MetaGPT 的比较实验来评估 MAAD，使用 10 个案例研究中的定量架构级指标以及行业架构师对 10 个实际规范的定性反馈。结果表明，MAAD 生成比基线更完整、模块化和可追溯的架构，其专用 Evaluator 代理可自动生成结构化质量评估报告，从而显着减少手动验证工作。此外，我们发现生成的架构的质量在很大程度上取决于底层 LLM 的推理能力，GPT-5.2 和 Qwen3.5 在大多数评估设置中都优于其他模型。