arXiv cs.AI· Xu Shen, Lingyong Yan, Shuaiqiang Wang, Jianmin Wu, Zhikai Chen, Jiliang Tang, Jie Ren·· 13 小时前AI 评分38
GAD：面向长时程任务的目标感知动态多智能体协作
Goal-Aware Dynamic Multi-Agent Collaboration for Long-Horizon Tasks
AI 导读
针对 LLM 智能体在长时程任务中验证发生偏晚、共享上下文里职责相关信息被稀释的问题，研究者提出目标感知动态多智能体协作方法 GAD，用不断生长的执行图组织子任务及其依赖关系。每个智能体上下文保留原始指令与所分配任务的目标和验收条件，并可按执行证据拆分任务、指定依赖以决定工作时机与结果接收范围，验证与恢复环节则对照目标检查子任务结果和整体完成度。
正文 · AI 翻译
摘要：基于 LLM 的智能体越来越多地被用于在无人干预的情况下完成复杂的长期任务。为推进任务目标，智能体需要在需要时履行不同职责，例如规划与验证。为了解单个智能体在长期执行过程中如何管理这些职责，我们开展了一项初步研究。我们的分析表明，验证与任务成功的关联最强，但往往发生得较晚，留给纠错的机会有限。我们还发现，随着来自不同职责的记录在共享上下文中不断累积，与职责相关的信息所占比例会下降。这些发现促使我们考察多智能体系统（MAS）能否通过将职责分配给具有独立上下文的智能体来解决这些问题。我们的分析表明，仅靠这种分离并不充分。智能体可能失去对整体目标的把握，并重复先前的调查。它们也可能在接收来自其他智能体的无关信息时缺乏必要的背景。为了在任务需求变化时保持目标意识并协调协作，我们提出了目标感知动态多智能体协作（GAD）。它使用一个不断增长的执行图来组织子任务及其依赖关系。为使智能体专注于其目标，每个上下文都保留原始指令以及所分配任务的目标和验收条件。为了在执行过程中调整协作与信息共享，智能体可以根据执行证据将任务划分为子任务并指定依赖关系。这些依赖关系指导智能体何时工作以及接收哪些结果。验证与恢复会对照目标检查子任务结果和整个任务的完成情况，并在检查失败时提供用于修复的反馈。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.39193 [cs.AI] |
| （或 arXiv:2610.39193v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39193 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xu Shen [查看电子邮件]
[v1]
2026年10月29日星期四 02:15:35 UTC（311 KB）
来源：arXiv cs.AI · arxiv.org