S1-MAS：用轻量协作控制提高多 Agent 效率

基于大语言模型 (LLM) 的多智能体系统 (MAS) 通过实现专门的智能体之间的协作解决问题，已成为复杂信息查找和推理任务的有前途的范例。然而，现有的 MAS 框架将任务推理与协调操作紧密结合在一起，包括任务选择、角色分配、消息路由和上下文管理。随着交互的增长，使用强大的 LLM 进行这些有界控制决策会带来大量的 token 开销和延迟，从而限制了 Agentic Web 服务的可扩展性。在本文中，我们研究是否可以在不影响协作性能的情况下将协调与昂贵的推理脱钩。我们提出了 S1-MAS，一种基于 System One 引导的计算分工的 token 高效多智能体框架。 S1-MAS 将有界协调决策分配给轻量级系统一模型，同时为有能力的 LLM 工作人员保留开放式推理。具体来说，轻量级控制器选择检查条件，选择后续任务并确定终止，而紧凑型读取器从授​​权来源检索条件相关证据以支持这些决策。通过决策证据循环，选定的任务动态确定工作人员角色和源访问权限，从而无需特定于任务的训练即可实现自适应协作。对七个不同基准的大量实验表明，S1-MAS 实现了卓越的准确性，同时大幅降低了推理成本。在七个基准测试中与 AgentVerse、DyLAN 和 SelfOrg 进行单独比较时，S1-MAS 将 GPT-4o token 消耗减少了 44.9%-97.2%，测得的端到端延迟减少了 37.8%-93.0%。这些结果凸显了其在可扩展且经济高效的 Agentic Web 应用程序方面的潜力。