Inherit-MAS：工作流与执行继承的多智能体进化

由大语言模型构建的多智能体系统（MAS）协调专门智能体解决复杂任务，但有效工作流难以预先设计。测试时进化用执行反馈细化工作流，然而大范围修订会扰动有用组件，重执行未变请求又带来冗余计算。受生物进化中遗传与选择交互的启发，我们提出Inherit-MAS，在工作流与执行两个层面显式化继承：元模型先综合带声明角色、通信输入与工具权限的工作者智能体工作流，单独提示的评判者为每个执行的候选择打分并诊断缺陷。普通细化轮次中，工作流继承从最新完成候选出发，可丢弃被判定无益的可移除节点，并施加经验证的编辑以解决诊断缺陷；新候选执行时，执行继承仅在完整解析请求与执行上下文匹配时继承符合条件的已存结果，避免冗余的模型与工具调用。GPT-4o-mini工作者下，Inherit-MAS在WorkBench完成率55.4%、HotpotQA FullWiki联合F1 49.7%，优于EvoAgent、EvoMAS与TacoMAS；Qwen3-32B工作者下同样超过这些进化MAS基线。与关闭执行继承重跑同一控制器相比，执行继承在WorkBench减少29.1%工作者token、HotpotQA减少34.6%，总token分别减少5.3%与18.1%。