arXiv cs.AI· Jun Liu, Zhenglun Kong, Changdi Yang, Fan Yang, Tianqi Li, Peiyan Dong, Joannah Nanjekye, Hao Tang, Geng Yuan, Wei Niu, Wenbin Zhang, Pu Zhao, Xue Lin, Dong Huang, Yanzhi Wang·· 3 天前AI 评分26
RCR-Router：面向多智能体 LLM 系统的角色感知上下文路由
RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory
AI 导读
研究者提出 Role-Conditioned Context Routing（RCR），一种执行时上下文路由层，按角色、任务阶段元数据和 token 预算，从结构化共享记忆中为每个智能体选择性分配相关记忆条目。
正文 · AI 翻译
作者：Jun Liu、Zhenglun Kong、Changdi Yang、Fan Yang、Tianqi Li、Peiyan Dong、Joannah Nanjekye、Hao Tang、Geng Yuan、Wei Niu、Wenbin Zhang、Pu Zhao、Xue Lin、Dong Huang、Yanzhi Wang
摘要：大语言模型（LLM）智能体正越来越多地被组织成多智能体系统，以完成复杂推理和决策任务。然而，扩展此类系统会大幅增加推理成本，尤其是当多个智能体反复处理重叠或与角色无关的上下文时。许多现有多智能体框架侧重于编排和角色专业化，但仍依赖全上下文共享或静态上下文路由，导致冗余 token 消耗、运行时增加以及内存利用效率低下。我们提出 \emph{角色条件上下文路由（Role-Conditioned Context Routing, RCR）}，这是一种执行时层，可在 token 预算下将与角色相关的共享内存项分配给智能体。给定结构化共享内存和一组角色专业化智能体，RCR 根据智能体的角色、可选的任务阶段元数据以及 token 预算，选择性地将任务相关内存项路由给每个智能体。RCR 集成了角色条件相关性评分、token 预算约束下的内存选择以及迭代式内存更新，以减少多智能体执行期间的冗余上下文暴露。在多跳问答、具身推理（ALFWorld）和基于网页的决策（WebShop）上的实验表明，相对于全上下文，RCR 平均减少 35\% 的 token 使用量，平均减少 38\% 的运行时，同时保持或提升任务性能。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用格式： | arXiv:2508.04903 [cs.CL] |
| （或此版本使用 arXiv:2508.04903v4 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2508.04903 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jun Liu [查看邮箱]
[v1]
2025年8月6日星期三 21:59:34 UTC（720 KB）
[v2]
2025年8月10日星期日 09:40:57 UTC（721 KB）
[v3]
2025年8月12日星期二 16:29:05 UTC（721 KB）
[v4]
2026年10月12日星期一 01:38:24 UTC（2,784 KB）
来源：arXiv cs.AI · arxiv.org