通过蒙特卡罗树搜索进行多智能体系统的自主修复

多代理系统 (MAS) 越来越多地被部署来解决复杂的任务。如果输出不正确或不满意，用户必须通过检查代理轨迹（即{\em故障归因}）来手动定位代理错误，并提供反馈以改进输出（即{\em修复}）。尽管最近在 MAS 故障归因方面进行了一些工作，但从此类错误中恢复的自动化机制在很大程度上仍未得到探索。为了弥补这一差距，我们提出了 MARS，这是一个基于搜索的框架，它将 MAS 修复制定为蒙特卡罗树搜索 (MCTS) 过程，并通过诊断引导扩展和分类增强评估来导航潜在修复的广阔空间。与通过完整执行轨迹评估完整模拟的标准 MCTS 不同，MARS 使用部分执行轨迹来评估代理轨迹以减少词元消耗。此外，我们还引入了 StateMAS，这是一个大规模 MAS 修复基准，具有 1,310 个可重放的多代理故障轨迹，涵盖四种类型的代理架构和四个 LLM 主干。 StateMAS 上的实验表明，MARS 始终优于最先进的方法，在所有设置中实现了从 3.0% 到 12.1% 的绝对改进，同时保持了可比的词元消耗成本。消融研究进一步证实，分类增强评估和诊断引导扩展对于实现这些性能提升至关重要。