arXiv cs.AI· Hehai Lin, Zixuan Wang, Ming Yan, Peidong Wang, Shilei Cao, Minzhi Li, Bosheng Ding, Juepeng Zheng, Chengwei Qin·· 3 天前AI 评分26
MAS-Gate：用节点中心量化打通多智能体系统全生命周期
MAS-Gate: Unlocking Multi-Agent System Lifecycle via Node-Centric Quantification
AI 导读
MAS-Gate 将 LLM 多智能体系统的开发与运行统一为设计编排、运行时干预、事后归因三阶段生命周期，用节点中心量化贯穿其中。该方法把每次执行建模为有向无环图，结合节点内效用与节点间强度，分别用于 Orchestrator 训练的稠密奖励、Editor 的运行时前缀编辑，以及为 LLM 事后归因提供风险排序节点。
正文 · AI 翻译
摘要：基于大语言模型（LLM）的多智能体系统（MAS）能够通过分解任务并协调互补能力，解决单个智能体无法企及的复杂问题。尽管针对 MAS 已有大量研究，但现有工作大多聚焦于其开发与运行的特定方面或单个阶段，导致视角碎片化，各不同场景下的目标与信号难以协调统一。为弥合这些彼此割裂的视角，我们将 MAS 的开发与运行概念化为一个三阶段生命周期，涵盖执行前的设计时编排、执行期间的运行时干预，以及执行后的事后归因，并引入 MAS-Gate——一种可跨这些阶段通用的、以节点为中心的统一定量方法。MAS-Gate 将每次执行建模为有向无环图，结合节点内效用（通过参考答案似然度的变化来估计节点的贡献）与节点间强度（近似语义吸收及潜在的下游影响范围）。我们将这一共享的定量方法适配于三个目标：为 Orchestrator 训练提供结构感知的稠密奖励；利用已完成编辑与未编辑轨迹的配对奖励，训练 Editor 对执行前缀进行干预；以及提供按风险排序的节点，作为基于 LLM 的事后归因的辅助证据。涵盖交互环境、知识密集型多跳问答、通用推理和事后归因的实验表明，MAS-Gate 在工作流构建、有针对性的运行时编辑以及 LLM 辅助的错误定位方面，均优于相应的阶段特定基线。这些结果共同确立了 MAS-Gate 作为一种统一的结构化接口，可在整个生命周期中改进 MAS 的生成、动态编辑与错误归因。
| Subjects: | Artificial Intelligence (cs.AI); Multiagent Systems (cs.MA) |
| 引用格式： | arXiv:2610.17613 [cs.AI] |
| （或 arXiv:2610.17613v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17613 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hehai Lin [查看邮箱]
[v1]
2026年10月13日 星期二 02:33:28 UTC（304 KB）
来源：arXiv cs.AI · arxiv.org