论文
AECG：多智能体系统中的不对称体验整合和治理
AECG: Asymmetric Experience Consolidation and Governance In Multi-Agent Systems
摘要
基于大语言模型 (LLM) 的多智能体系统越来越依赖记忆将执行轨迹转换为可重用的程序知识。然而，重复检索也会使记忆错误持续存在：当过时的、支持较弱或虚假成功的程序成为未来推理的重复组成部分时，就会出现记忆污染。多重智能体执行会带来额外的结构性风险。当程序知识脱离了它被证明有效的协调范围并在不兼容的决策级别上重复使用时，就会发生范围崩溃，从而允许局部错误影响下游决策的级联。与此同时，任务级失败提供了模糊的监督，因为它们很少揭示哪些回忆的知识是负责的。我们引入了 AECG，一个用于多智能体系统的非对称体验整合和治理的框架。 AECG 将记忆从静态经验存储转变为动态可靠性治理循环，保留协调范围并使用多尺度、置信感知的可靠性来检测退化。然后，它将退化与下游影响结合起来，在有限的审查预算下优先考虑高风险知识，应用有针对性的干预措施，并仅在配对重播后重新激活修改后的技能。在三个多智能体框架和四个基准测试中，AECG 在 12 个框架基准设置中的 11 个中取得了最佳分数，并且比最强的竞争记忆方法提高了 10.23 个百分点；删除范围保留会降低准确度高达 16.89 点。因此，AECG 将多智能体记忆从被动积累重新构建为可审计的可靠性治理。代码可在 https://github.com/fenhg297/AECG 获取
