Codebook Agent：大语言模型多智能体系统的摊销式拓扑设计

针对每个查询调整 LLM 多代理系统的通信拓扑可以提高准确性和效率，但当前的设计人员将其视为条件图生成：变分、自回归或扩散解码器搜索 $N \times N$ 邻接空间，并根据效用和结构成本（例如边计数）对采样候选进行排序的图网络代理进行训练。我们认为这种表述与问题不相符。根据经验，即使密码本容量从 8 个增长到 64 个，在奖励过滤器中幸存下来的拓扑也会崩溃为大约 6 个不同的图；边缘计数与测量的词元消耗呈负相关（Pearson $r \approx -0.4$），因此稀疏图会使推理更加昂贵；每当代理共享配置文件（已发布基准的默认配置）时，代理配置文件节点上的消息传递评分器都是邻接不变的，因此它根本无法在该机制中对候选者进行排名。这三个事实激励了 Codebook Agent：矢量量化自动编码器将成功的拓扑压缩为独立于查询的 16 项码本；奖励加权 MLP 将查询嵌入映射到代码分布； MLP 代理读取扁平邻接，根据测量的效用和每个任务的标准化词元成本进行回归，在单个批量前向传递中对最高解码候选者进行重新排名。由于测试时没有迭代搜索和消息传递，Codebook Agent 是我们比较的所有六个基准中最准确的方法（平均为 84.6，最强的先验设计者为 83.0），在 2.4 毫秒内发出拓扑，并且使用的 LLM 词元减少了 21.9--33.2%。