arXiv cs.MA· Jiayuan Liu, Mingyu Guo, Jiarui Gan, Vincent Conitzer·· 3 天前AI 评分20
STAR：图式智能体工作流中真实且期望支付最优的模型路由
Truthful and Expected-Payment-Optimal Model Routing in Graph-Based Agentic Workflows
AI 导读
针对图式智能体工作流中跨任务耦合的路由问题，研究者提出单参数采购拍卖框架与 STAR（Strategy-proof Topology-aware Agent Routing）机制，通过最小化虚拟成本加权的图工作量，使各 LLM 提供商如实上报成本成为效用最大化选择，并覆盖其真实执行成本。
正文 · AI 翻译
摘要：将常规任务分配给更便宜的大型语言模型（LLM）提供商可以降低生成成本，但切换提供商可能需要重新处理累积的上下文。让依赖任务保留在同一提供商处则可以复用符合条件的上下文。因此，基于图的工作流会将路由决策跨任务耦合在一起。独立提供商还可能私下知晓其实时单位成本并策略性地虚报。我们将此路由问题建模为单参数采购拍卖，并提出 STAR（策略防篡改拓扑感知智能体路由），它最小化虚拟成本加权的图工作负载。其分配规则和支付通过将工作负载对可能的成本报告进行积分来计算，使得无论其他提供商如何报告，如实报告都能最大化效用，并覆盖每个如实报告提供商的执行成本。在成本分布独立且虚拟成本非递减的情况下，STAR 还能最小化用户对提供商的预期总支付。受控合成实验将拓扑感知的执行成本收益与虚拟成本优化的支付收益区分开来：前者随扇出和传输负载增长，而后者在测试的先验形状异质性路径上逐渐增加。一项配对敏感性研究量化了支付节省如何随先验设定错误而变化，同时保持策略防篡改性。
| 主题： | 计算机科学与博弈论（cs.GT）；计算与语言（cs.CL）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.19316 [cs.GT] |
| （或 arXiv:2610.19316v1 [cs.GT] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.19316 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Jiayuan Liu [查看电子邮件]
[v1]
2026年10月13日星期二 23:59:09 UTC（639 KB）
来源：arXiv cs.MA · arxiv.org