FlowMAS：通过信息引导的生成流网络学习多Agent工作流拓扑

自动化多Agent系统在可扩展性和适应性方面比手动设计的系统具有明显的优势，但现有的工作流拓扑方法仍然面临重要的局限性。基于搜索的方法通常计算成本昂贵，基于文本梯度的方法依赖于粗粒度反馈，而现有的基于生成的方法不太适合具有复杂依赖关系的离散工作流拓扑。为了解决这些限制，我们提出了 FlowMAS，一种基于生成流网络（GFlowNets）的多Agent工作流拓扑方法。 FlowMAS 将工作流生成建模为拓扑空间上的奖励引导流，并引入了三个组件：基于 GFlowNet 的拓扑生成主干、用于结构感知探索的好奇心驱动模块以及用于评估中间拓扑的信息引导优化模块。具体来说，好奇心驱动的模块鼓励探索结构新颖的工作流程，而信息引导的模块则衡量不同操作员的信息贡献和沟通效率，以支持信息更丰富、更有效的协作模式。对具有三个 LLM 主干的六个基准数据集进行的实验表明，FlowMAS 始终优于多个基线。