arXiv cs.MA· Giancarlo Maldonado C\'ardenas, Carlos A. Astudillo, Nelson L. S. da Fonseca·· 2 天前AI 评分23
SSR：面向 LLM 编排多智能体系统的可扩展 Agent 发现结构化信号检索器
SSR: Structural Signal Retriever for Scalable Agent Discovery in LLM-Orchestrated Multi-Agent Systems
AI 导读
研究者提出免训练确定性检索方法 SSR，用于从不断增长的注册表中发现合适的 Agent Card。在 1,000 个智能体规模下，SSR 相对全目录编排减少 LLM 输入 98.8%、编排延迟 70.9%；在 MS MARCO 上 ISI 将显式评分段落减少 96.8% 且保持检索效果。该方法通过 IDF 加权结构化词汇信号与倒排信号索引，维持紧凑候选上下文并避免全目录编排的运行故障。
正文 · AI 翻译
摘要：大规模多智能体生态系统需要一种机制，以便在不将整个注册表暴露给大型语言模型（LLM）编排器的情况下发现合适的智能体。挑战不仅在于从不断增长的注册表中检索相关的 Agent Card，还在于维持紧凑的候选上下文，因为每增加一个候选都会增加提示大小、推理成本、延迟，以及超出模型上下文窗口的风险。我们将此问题表述为候选上下文可扩展性，并提出结构信号检索器（SSR），这是我们为 Agent Card 发现设计的确定性且无需训练的检索方法。SSR 从承载能力的 Agent Card 字段中提取结构化词汇信号，使用逆文档频率（IDF）对其进行加权，并使用倒排信号索引（ISI）进行选择性候选评分。我们使用合成智能体基准、公开的 MS MARCO 适配以及端到端 LLM 编排来评估 SSR。在 1,000 个智能体时，与全目录编排相比，SSR 将 LLM 输入减少 98.8%，编排延迟减少 70.9%。在 MS MARCO 上，IDF 在结构表示内提高了检索效果，而 ISI 在保持检索效果的同时将显式评分的段落减少了 96.8%。端到端实验表明，随着注册表规模增长，候选预选可维持紧凑的候选上下文，并避免全目录编排中观察到的运行故障。这些结果支持将 SSR 作为一种 Agent Card 原生、可追溯的检索机制，以实现候选上下文可扩展性。
| 主题： | 多智能体系统（cs.MA）；人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.21113 [cs.MA] |
| （或 arXiv:2610.21113v1 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21113 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Carlos Alberto Astudillo Trujillo [查看电子邮件]
[v1]
2026年10月15日星期四 02:16:12 UTC（1,811 KB）
来源：arXiv cs.MA · arxiv.org