Waggle：为自组织LLM群体学习匿名局部规则

随着 LLM Agent越来越多地在复杂任务上进行协作，如何组织他们的交互成为一个中心设计问题。现有的多Agent系统通常学习或适应显式角色、层次结构、路由策略或通信拓扑。我们将学习目标转向可重复使用的当地法律，该法律可以在可互换的Agent之间共享，并随着人口或交互条件的变化而调整协调，而无需重新定义全球组织。我们引入了 Waggle，一种基于有界本地视图的共享匿名策略，它联合选择任务操作、语义通信和本地承诺更新。重复执行同一法则可以在没有明确角色或全局拓扑的情况下在线形成、持续和重组协调。为了在可互换Agent和不断发展的协调中学习这一定律，我们开发了群体一致蒸馏（SCD），将匿名轨道一致性与下一个局部协调场的基于rollout的预测相结合，并且不添加推理时间组件。在不同的协调环境中，随着人口和交互预算的变化，相同的学习法则仍然有效，保留超过 96% 的特定于底层的预言机质量，并且无需再培训即可进行转移； SCD在反证后进一步完善整顿。总之，这些结果表明，LLMAgent组织可以通过重复执行学到的当地法律而出现和适应。