QueenBee Planner：用于词元高效 LLM 多代理系统的技能演进通信拓扑

大语言模型 (LLM) 多智能体系统不仅越来越依赖于单个智能体的推理方式，而且越来越依赖于智能体的连接方式。本文介绍了 QueenBee Planner，这是一个将代理间通信拓扑视为可检索和自我改进的设计技能的框架。工作代理池、任务适配器和评分函数被冻结；只有外部 LLM 规划器学习生成时间通信 DAG，指定谁向谁发送信息、在哪一轮、谁合并消息以及谁发出最终答案。执行跟踪被提炼成有证据支持的设计规则，具有三个操作：\emph{Preserve}、\emph{Modify} 和 \emph{Avoid}。为了防止自我进化将幸运运行或看似合理但错误的解释变成政策，QueenBee 使用保留的接受门、方差感知信用、主题级归因、转移信任、洞察伪造和结构重复数据删除。我们在计数频率聚合和 Silo-Bench 式分布式协调任务上评估该方法。对于固定工作人员，自进化图生成产生的通信结构比固定拓扑和冷生成有所改进。在 CF fulltest 设置中，最佳生成图将 RMSE 从最强固定拓扑的 12.53 降低到 7.87，同时还减少了消息、模型调用和词元成本；筒仓式结果显示出与冷和固定拓扑基线相比相同的改进方向。这些结果表明，多智能体系统可以学习可重用的架构设计知识，而不仅仅是记住任务答案。