Description

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

今天的主题是：

Multi-Agent Collaboration via Evolving Orchestration

Summary

大语言模型（Large Language Models，LLMs）在多种下游任务中取得了显著成果，但其单体式（monolithic）的架构限制了在复杂问题求解场景下的可扩展性与效率。尽管近期研究开始探索基于 LLM 的多智能体协作机制，但多数方法依赖静态的组织结构，难以随着任务复杂度和智能体数量的增长进行自适应调整，从而导致协调开销上升和整体效率下降。

为此，我们提出了一种 “提线木偶（puppeteer）”式的 LLM 多智能体协作范式。在该框架中，一个集中式的调度与控制器（“puppeteer”）会根据不断演化的任务状态，动态地指挥各个智能体（“puppets”）的执行顺序与优先级。该控制器通过强化学习进行训练，从而能够自适应地编排与调度智能体，实现灵活且可演化的集体推理过程。

在封闭域与开放域任务上的实验结果表明，该方法在降低计算成本的同时取得了更优的性能。进一步分析显示，性能提升的关键原因在于：随着控制器的演化，系统中逐步涌现出更加紧凑且具有循环结构的推理模式。相关代码已在文中给出的链接中公开。

原文链接：https://arxiv.org/abs/2505.19591