GraphMAS：图学习多智能体协调的系统基准

基于 LLM 的多智能体系统通过聚合、交互和自适应控制来协调专门的推理，但它们的图学习潜力仍未被开发。图学习是此类系统的自然设置，因为有用的证据可能来自异构的局部、远程、全局结构和语义视角，其相关性因实例而异。现有的基于LLM的图学习方法主要依赖于单智能体推理，而多智能体协调主要在一般推理环境中进行研究。因此，目前尚不清楚多个专门Agent是否可以改善图学习以及如何设计和评估协调策略。为了解决这一差距，我们引入了 GraphMAS，这是一种用于图学习的多智能体协调的系统基准。 GraphMAS 构建了图推理专家的共享池，并沿着两个维度、Agent间交互和运行时自适应性组织协调，产生了四种范式和七种代表性的协调方法。在统一的协议下，我们在七个文本属性图、三个域和两个图学习任务中评估这些方法。我们发现异构图视角是互补的，并且协调专家比单个专家和单Agent图推理有所改进，其收益来自跨专家的分解推理，而不是仅来自更广泛的证据访问。然而，更丰富的Agent间交互并不能可靠地提供帮助，而实例自适应专家选择可以产生最强的准确性与效率权衡。我们进一步表明，可以通过固定的专家池来学习协调，并将其转移到留出集的图表中。因此，GraphMAS 提供了一个受控评估框架和经验原则，用于理解多智能体协调何时以及如何有益于图学习。