arXiv cs.AI· Jie Ren, Jiakang Yuan, Chenyu Huang, Hezeer Ma, Jiayuan Fan, Tao Chen·· 10 天前AI 评分24
DHCG：为基于 LLM 的多智能体推理动态构建分层协作图
DHCG: Dynamic Construction of Hierarchical Collaboration Graphs for LLM-Based Multi-Agent Reasoning
AI 导读
DHCG 通过 Planner、Worker、Generator 三个模块，根据查询和执行反馈从零逐步构建动态分层协作图，并引入动作感知偏好优化训练 Planner。在代码生成、数学推理和领域推理基准上，DHCG 平均性能较单智能体基线提升 13.06 分，优于静态与动态 MAS 基线 2.77-8.02 分，并展现出跨 Planner 主干与未见 Worker 模型的泛化能力。
正文 · AI 翻译
摘要：基于 LLM 的多智能体系统（MAS）在解决跨多个领域的复杂问题方面展现出强大能力。近来，智能体系统的动态编排已成为一个重要研究方向。然而，现有方法存在组合能力有限、依赖关系错位以及规模不灵活的问题，限制了其在执行过程中适应推理需求的能力。为解决这些局限，我们将 MAS 设计重新表述为部分可观测马尔可夫决策过程，其中 MAS 的组合与规模均被动态确定。我们提出 DHCG，一个新颖的框架，协调三个模块（Planner、Worker 和 Generator），基于查询和不断演化的执行反馈，从零开始逐步构建动态分层协作图。在每一步中，Planner 在反馈引导下生成一组针对当前推理需求量身定制的、彼此不同且互补的角色，并有选择地将相关信息路由到每个角色。它还可以提前最终确定分层协作图，或在需要额外推理时逐步扩展该图。我们进一步引入动作感知偏好优化，以训练 Planner 在构建分层协作图时做出更有效的决策。我们在代码生成、数学推理和领域特定推理基准上系统评估了 DHCG。DHCG 在对比方法中取得了最先进的平均性能，相较单智能体基线提升 13.06 分，并优于静态和动态 MAS 基线 2.77-8.02 分。额外实验进一步证明了其在不同 Planner 主干和未见过的 Worker 模型上的泛化能力。
| 评论： | 9 页，4 幅图，4 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.07835 [cs.AI] |
| （或 arXiv:2610.07835v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07835 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Jie Ren [查看电子邮件]
[v1]
2026 年 10 月 6 日星期二 06:33:40 UTC（684 KB）
来源：arXiv cs.AI · arxiv.org