迈向多智能体LLM系统的组织科学：解耦谁、如何与何种算法

基于大语言模型（LLM）构建的多智能体框架通常纠缠三个逻辑上相互独立的关注点：团队中有谁（组织）、成员如何对齐（协调），以及用哪种算法融合成员工作（协作协议）。IMACS（Intelligent Multi-Agent Collaboration System）将三者分离为正交且可独立替换的层。经典组织理论（Belbin角色、Mintzberg协调、RACI问责）成为可执行、经验证的配置；该框架将六种已发表的协作算法置于统一接口之后，并将角色、协调与问责作为可独立配置的因素暴露出来。我们利用这种分离开展受控比较：组织指派变化而协作协议保持固定。它还将协议选择变为可学习的变量：Adaptive Org Routing是一种上下文老虎机元协议，在显式的质量-成本权衡下为每个任务选择协议，在受控研究中超越所有固定协议，并基于真实基准与LLM裁判奖励在线训练。消融实验揭示了一种机制：只有当协议将交付物路由经过问责智能体时，问责位置才会改变结果，且最优位置在不同模型家族间翻转，因此组织设计不能硬编码；它必须针对每个模型绑定重新验证，或者被学习。