AgentLance：用市场机制分配多智能体任务

随着 LLM 代理的激增，由不同各方构建，具有不同的功能和成本，编排它们更像是在整个经济中组装劳动力，而不是计算机调用子程序。现有的编排通常是集中式的，由单个规划器分配每个任务，但这会随着代理池的增长而产生瓶颈，需要私有信息（例如代理的执行成本），并且很容易被操纵，这样在集中式 LLM 分配器下，单个插入的首选项几乎使受青睐的代理的任务份额增加了一倍。我们引入了 AgentLance，这是一个重复的劳动力市场，其中代理使用其私人成本和自我维护的策略说明对任务进行投标，分配者从投标和公共声誉记录中选择获胜者，并且 VCG 风格的支付规则奖励成本感知的投标。复杂的任务由分层委托处理：获胜的代理可以分解工作并通过相同的机制将其分包。在数学推理、代码生成、知识密集型 QA 和代理任务方面，AgentLance 将代理与其专业相匹配，随着成本敏感性的提高将工作转向更便宜的代理，并始终优于单一模型、集中编排和市场基准。诊断市场失灵，包括不准确的成本自我估计和次优投标，然后在受控实验中纠正它们，会产生进一步的收益，为更高效的代理经济指明道路。