论文
当证据塑造协作：面向多智能体系统的知识条件化拓扑生成
When Evidence Shapes Collaboration: Knowledge-Conditioned Topology Generation for Multi-Agent Systems
摘要
多代理系统 (MAS) 最近已从静态工作流程转向动态生成的协作拓扑。然而，现有的拓扑生成方法主要依赖于大语言模型的参数知识，外部搜索或检索仅用作反应工具，而不是协作结构的显式决定因素。这会导致结构知识错位，即系统在知识密集型任务中表现出冗余交互或验证不足。我们提出了 K-GAT（知识引导代理拓扑生成器），这是一种神经符号框架，它将协作拓扑设计制定为知识条件结构学习问题，将外部证据直接集成到自回归图生成中。对知识密集型基准的大量实验证明了 K-GAT 的效率和有效性：特别是在专家级 GPQA 数据集上，K-GAT 的准确率大幅优于 LLM-Debate 基线，精度高达 +15.7%，同时消耗的计算词元不到一半。
