Evo2Team：进化的技能何时转移？从选择到部署

帮助一个多智能体系统的技能库可能会保持另一个多智能体系统的行为不变。仅当目标Agent成功地对其采取行动时，转移的规则才有帮助。我们使用 4--32 个Agent团队以及 GPT 和 Qwen 模型梯子，在 Count-Frequency 和 AgentsNet 中研究这条路径的路由和通信技能。源演化在 16 种设置中的 14 种中满足联合质量、成本、模型层和确认目标。然后，我们评估 Evo2Team，它为目标团队选择、调整和确认源技能，以及 28 个转移方向的 6 个冻结选择器。 Evo2Team 的目标端探索成本低于在各个方向发展新目标库的成本，即使重复使用的参考评估只收取一次费用。 28 个保留结果中有 20 个符合阳性转移标准，其中包括三个保存的诊断测试。仅选择并不能解释这些结果：KNN 和 CORAL 在两个 AgentsNet 方向上选择不同的银行，但产生相同的记录执行。当 Evo2Team 改变执行方式时，增益可以达到许多任务，例如在计数频率方向上，可以比 KNN 改进 32 个任务中的 28 个。 AgentsNet 的七项积极成果可节省 6.1--14.6\% 的部署成本，同时仅在十五个任务中的三到六项上使用转移的技能。在五个早期接受的方向中，所有 22 个使用转移技能的任务记录都通过了三个固定图确认，但有四个在新图上的记录执行中失败。在此比较中，图形和模型响应一起变化。这些结果表明，必须通过Agent采取的行动、这些行动达到的任务以及最终部署的质量和成本来评估技能转移。