FL-MAESTRO：面向资源受限联邦学习的多智能体LLM编排

在联邦学习（FL）中，通信拓扑是运行时变量而非固定的设计选择，因为链路和边缘设备会在训练期间掉线与加入。每一轮，服务器必须提交三个耦合决策，即通信拓扑、每客户端资源分配，以及用于合并本地更新的聚合规则。近期的智能体系统已开始把大语言模型（LLM）引入FL，但现有工作要么在设置时运行，要么只处理单一的运行时维度（如客户端选择）。我们提出FL-MAESTRO，一个多智能体编排器，通过三个专家LLM智能体——每个决策维度一个——直接做出联合的运行时FL决策。一个协调器把它们的分析合并为单一决策，一个非LLM可行性检查在该轮执行前确认决策。由于编排器消费服务器预测的失败列表，它会扣留那些更新永远不会被聚合的客户端，这消除了易变边缘网络上经典FL中浪费轮次能量的主要来源。由于客户端状态以自然文本画像读取，同一编排器无需按类别建立能量模型即可扩展到异构设备类别。在非IID CIFAR-10基准上，FL-MAESTRO匹配最强能量感知基线的准确率，同时把浪费的轮次能量从超过三分之一削减到接近零。代码发布于 https://github.com/denoslab/FL-MAESTRO。