基于技能的Agentic AI系统中的动态联盟形成与通信定价

现代Agentic AI系统组合多个具有异质技能的大语言模型智能体，但多数架构要么预先固定通信，要么允许完全广播。两者都可能低效，因为token成本、延迟、冗余和错误传播会随活跃智能体与通信链路数量增长。我们将智能体选择与通信建模为一个合作博弈，其任务条件化净效用为U(C|x)=V(C|x)-Σ_{i∈C}c_i，将联盟级成本与智能体激活成本分离。我们提出边际价值激活规则与贪心路由器，将模型扩展到以每边成本优化通信边，并使用估计的Shapley值在执行前与执行中预测哪些智能体值得联系。我们将该问题与次模最大化联系起来，并证明两个有限保证：对单调、基数约束特例的曲率细化界，以及对无约束非单调情形经由双贪心得到的紧致1/2近似（含对带符号目标的修正）。两个保证都不直接适用于主路由器，后者仍为启发式方法。我们还证明了一个Shapley-次模夹逼界，将边际价值路由的误差与每个智能体的边际收益递减量联系起来。在合成实验中，贪心路由达到暴力最优效用的99.5%，同时平均仅激活8个智能体中的1.96个，而完全广播仅为38.8%。性能对激活成本与冗余权重稳健，但在次模性被严重违背或价值估计含噪声时降至66%。我们将该框架与Shapley定价、享乐联盟形成和通信图剪枝区分开来，并提出在真实多智能体LLM基准上进行评估。