MOC：基于LLM的多智能体系统中的多阶通信

尽管基于大语言模型（LLM）的多智能体系统取得了显着的进展，但大多数研究都集中在优化协调拓扑上，而在很大程度上没有充分探索同样关键的问题：如何在智能体之间有效地传输和优化消息？当前的通信方案通常依赖于一阶邻居响应的直接串联，这会导致证据接受域受到限制，并导致多跳路径上的关键见解被稀释。为了解决这些限制，我们提出了多阶通信（MOC）方案，该方案重建代理间通信以捕获多跳依赖关系，并结合结构消息合并策略以确保效率。具体来说，我们形式化了通信机制来构建结构化的多阶证据流，然后设计语义拓扑合并算法来优化令牌约束内的语义保真度。跨越六个不同数据集和不同参数规模的 LLM 主干的广泛实验表明，MOC 能够持续提高任务性能并降低通信成本。代码可在 https://github.com/yao-guan/MOC 获取。