ExRole：从团队轨迹到多Agent语言模型的可执行角色

角色为组织语言模型智能体提供了可解释的接口，但大多数多Agent系统将它们视为与习得行为和参数更新脱节的手写提示词标签。我们认为，有用的角色应当是一个可执行的控制变量：它应总结可预测未来效用的行为，指导后续交互，并识别负责该行为的可训练容量。我们提出ExRole，一个从前缀局部的团队轨迹中学习面向未来的角色原型的轨迹到角色框架，将其解析为可读指令和token对齐的角色标记，并可选择按轮次对齐的信用分配路由共享的LoRA秩槽。在MuSiQue和2WikiMultiHopQA上，ExRole相较单智能体搜索分别提升15.0/14.4和13.5/16.1 EM/F1分。相较最强的非ExRole对照，相应增益仍为11.5/11.6和7.7/9.7分。在两个基准上，受控结果一致支持轨迹诱导的角色条件化，胜过无角色、人工、随机和打乱等替代方案。角色-智能体-轮次干预进一步表明，诱导出的角色捕捉到了超越固定智能体身份或轮次位置的可迁移行为专门化。