arXiv cs.MA· Mingxiu Cai, Haoyang Xian, Xinyu Ma, Yutong Wang, Zhenxi Song, Jing Li, Xuebo Liu·· 11 小时前AI 评分31
UniMASO：面向异构 LLM 多智能体系统的提示词与模型联合优化框架
Not Every Agent Needs the Strongest Model: Unified Prompt-Model Optimization for Heterogeneous LLM-based Multi-Agent Systems
AI 导读
UniMASO 通过联合优化提示词与模型分配，让异构 LLM 多智能体系统在更低部署成本下保持任务表现。在五个基准和五种执行拓扑上，集中式执行时平均分从 69.79 提升至 70.40，同时相对 DeepSeek-V4-Pro 搭配 MASPO 将 token 加权部署成本降低 85.2%。该框架结合成本感知的 Pareto 搜索、拓扑感知协同进化和跨层轨迹记忆。
正文 · AI 翻译
摘要：基于大语言模型（LLM）的多智能体系统（MAS）依赖角色特定的提示词和执行模型来协作解决复杂任务。然而，提示词优化通常保持模型分配固定不变，使角色需求差异及其相关推理成本被排除在搜索之外。我们提出 UniMASO，一个通过提示词与模型分配联合适配实现异构多智能体系统优化的统一框架。UniMASO 通过局部、下游和全局反馈评估候选更新，并使用成本感知的 Pareto 搜索保留有用的质量-成本权衡。拓扑感知的协同进化随后根据智能体角色和依赖关系协调这些更新。跨层轨迹记忆进一步提供历史成功与失败经验以指导后续优化。在五个基准和五种执行拓扑上的实验表明，UniMASO 以显著低于最强同构配置的部署成本实现了有竞争力的任务性能。在集中式执行下，相较于采用 MASPO 的 DeepSeek-V4-Pro，它将平均得分从 69.79 提升至 70.40，同时将 token 加权部署成本降低 85.2%。这些结果支持将提示词-模型联合适配作为实现高效多智能体协作的有效方法。代码可在 此 https URL 获取。
| 学科： | 多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.31743 [cs.MA] |
| （或 arXiv:2610.31743v1 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31743 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mingxiu Cai [查看邮箱]
[v1]
2026年10月22日 星期四 17:24:23 UTC（5,864 KB）
来源：arXiv cs.MA · arxiv.org