GBC：用于优化多代理系统的基于梯度的连接

基于 大语言模型 (LLM) 构建的多代理系统 (MAS) 提供了一个有前景的框架，用于通过角色专业化和结构化交互来解决复杂任务。然而，他们的表现往往受到协调不善的限制，更根本的是，智能体之间缺乏细粒度的贡献分配。现有的方法通常依赖于粗粒度的反馈，因此很难确定哪些代理或交互步骤导致了错误。我们提出了基于梯度的连接（GBC），这是一种用于多智能体系统的细粒度归因和优化的方法。 GBC 将 MAS 建模为计算图，并引入基于梯度的连接权重来量化每个智能体的输出对 词元级 下游智能体的影响。通过构建归因图并向后传播特定于任务的损失信号，我们的方法可以精确识别错误源并进行有针对性的提示优化。我们进一步开发了 AgentChord，这是一种利用基于前缀的梯度计算的高效实现。 MultiWOZ 和 τ-bench 上的实验表明，GBC 提高了多智能体性能，并且优于强大的单智能体和多智能体基线，并且更高的归因质量与更大的优化效果相关。代码位于：https://github.com/yxc-cyber/AgentChord。