arXiv cs.AI· Songmiao Wang, Yuchen Wang, Chenglin Yu, Hongxia Yang, Ming Li·· 6 天前AI 评分31
面向 LLM 多智能体系统的能力感知编排框架
Competence-Aware Orchestration for LLM-Based Multi-Agent Systems
AI 导读
研究者提出一种两阶段能力感知框架，用于 LLM 多智能体系统（MAS）的自动编排：先建模 LLM 主干对当前查询的任务条件能力，再据此调整角色激活与通信图。该方法在六个基准上平均得分 93.81%；对高能力主干，平均准确率从 87.22 提升至 89.97，同时 token 成本降低 36.26%；对低能力主干，较现有方法平均再提升 4.58 分，该趋势在未见过的主干上同样成立。
正文 · AI 翻译
摘要：基于 LLM 的多智能体系统（MAS）已成为一种有前景的范式，通过角色专门化和协作来增强复杂推理，但仍存在一个关键挑战：如何使协作适应骨干模型在当前查询上的能力？这个问题很重要，因为更多的协作并不总是更好——更丰富的协调可能有助于处理困难案例，但也会带来额外的 token 成本和冗余交互。我们提出了一种用于自动 MAS 编排的两阶段能力感知框架。它首先对 LLM 骨干模型针对当前查询的任务条件能力进行建模，然后利用该信号来调整角色激活和通信图。在六个基准测试中，我们的方法平均得分为 93.81%。使用六个能力水平不同的 LLM 骨干模型进行的实验进一步表明，我们的方法会根据推断出的能力调整协作：对于能力较高的骨干模型，它将平均准确率从 87.22 提升到 89.97，同时将 token 成本降低 36.26%；对于能力较低的骨干模型，它比现有方法进一步平均提升 4.58 分。同样的趋势在未见过的骨干模型上也成立。
| 评论： | 16 页，4 张图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.13144 [cs.AI] |
| （或使用 arXiv:2610.13144v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.13144 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Songmiao Wang [查看邮箱]
[v1]
2026 年 10 月 9 日星期五 07:33:42 UTC（3,750 KB）
来源：arXiv cs.AI · arxiv.org