arXiv cs.AI· Ruiyi Yang, Zechen Li, Hao Xue, Imran Razzak, Flora D. Salim·· 6 天前AI 评分34
MAGE：基于协同进化知识图谱的多智能体自进化框架
MAGE: Multi-Agent Self-Evolution with Co-Evolutionary Knowledge Graphs
AI 导读
MAGE（Multi-Agent Graph-guided Evolution）将自知识外化为四子图协同进化知识图谱，经验子图同时存储教师编写的失败修正与学习者自身正确推理轨迹，作为任务条件化指导供冻结执行模型检索。
正文 · AI 翻译
摘要：自演化语言模型智能体必须决定下一步学习什么，以及如何在迭代中保留已学到的内容。现有系统通常将这种跨迭代知识以自然语言反馈、扁平化情景记忆或隐式强化信号的形式携带，而这些方式都无法在推理时干净地支持冻结的弱骨干模型。本文提出 MAGE（多智能体图引导演化），一个将自我知识外化为四个子图协同演化知识图谱的框架。其经验子图同时存储教师编写的失败修正和学习者自身过去的正确推理轨迹，这些内容被检索为面向任务的指导，供冻结的执行模型使用。在演化过程中，图、任务级搜索 bandit 和技能级路由 bandit 从同一奖励流中更新，而学习者的骨干保持不变。我们进一步提供结构分析，展示仅追加的记忆增长、有界课程覆盖和任务过滤检索如何共同支持冻结学习器演化中检索基底的稳定改进。在涵盖数学推理、多跳与开放域问答、时空分析、金融数值推理、医学多项选择、开放世界生存游戏和网页导航的九个基准上，MAGE 相对于基于提示的冻结骨干基线取得了强劲性能。消融实验表明，自采集的成功轨迹和教师编写的修正具有互补性，成功记忆在推理模板密集的任务上贡献最大，而修正记忆则支持更难的组合与交互设置。代码可在 此 https URL 获取
| Comments: | 25 页，3 幅图 |
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2605.10064 [cs.AI] |
| （或 arXiv:2605.10064v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.10064 由 DataCite 提供的 arXiv 颁发 DOI |
Submission history
来自：Ruiyi Yang [查看电子邮件]
[v1]
2026年5月11日星期一 06:39:51 UTC（2,339 KB）
[v2]
2026年10月3日星期六 13:00:33 UTC（2,339 KB）
[v3]
2026年10月9日星期五 15:19:08 UTC（2,339 KB）
来源：arXiv cs.AI · arxiv.org