CAIRN：用持久事实与意图图协调多Agent探索

由LLM驱动的自主系统在数学推理、工程和网络安全方面表现出了有前途的能力。然而，如何组织这些系统以实现有效、可靠和持续的性能仍然是一个悬而未决的问题。在本文中，我们提出了 CAIRN，一种事实意图驱动的多智能体范例，用于目标导向的探索。 CAIRN 将观察结果和计划的调查表示为动态有向无环图 (DAG)。推理者解释事实以提出意图，工作人员执行这些意图以产生新的事实。每个意图都引用其支持事实并定义一个潜在的探索分支。持久图保留了工作人员之间的目标、依赖关系和发现，支持知识重用和并行探索。该图还使得执行轨迹可追溯、可审计，为人工验证和干预提供基础。我们跨网络安全和数学推理任务评估 CAIRN，检查任务成功、解决问题的时间和词元消耗。基于 DAG 的协调可能会产生更高的词元成本，并且对于不需要太多努力的任务没有明显的性能提升。然而，在高强度任务（至少 1M 词元）上，我们在 76.5% 的情况下观察到更快的解决方案，加速高达 3.08 倍。此外，随着任务工作量的增加，这些时间收益变得更加明显，而相对词元开销则下降，凸显了 DAG 引导的并行探索的潜力。