arXiv cs.CL· Wenbo Gao, Renxi Liu, Xian Wang, Fang Guo, Shuai Yang, Xi Chen, Hui-Ling Zhen, Hanting Chen, Weizhe Lin, Xiaosong Li, Yaoyuan Wang·· 10 小时前AI 评分35
AgentCollab：面向高效 LLM 智能体的自评估驱动协作范式
AgentCollab: A Self-Evaluation-Driven Collaboration Paradigm for Efficient LLM Agents
AI 导读
AgentCollab 是一个自驱动的协作推理框架，在智能体执行过程中动态协调不同推理能力的模型，用智能体自身的反思信号判断当前推理轨迹是否有效推进，仅在必要时将控制权升级到更强的推理层级。该框架还引入难度感知的累积升级策略，依据近期失败信号分配额外推理预算，实验采用小模型加大模型的两级设置，在多步智能体基准上持续改善 LLM 智能体的准确率-效率帕累托前沿。代码已公开。
正文 · AI 翻译
作者：Wenbo Gao、Renxi Liu、Xian Wang、Fang Guo、Shuai Yang、Xi Chen、Hui-Ling Zhen、Hanting Chen、Weizhe Lin、Xiaosong Li、Yaoyuan Wang
摘要：由大语言模型（LLM）驱动的自主智能体通过长程推理和工具交互来执行复杂任务，其中存在执行效率与推理鲁棒性之间的根本性权衡。不同能力-成本级别的模型提供互补优势：较低成本的模型能够快速执行，但可能在困难的推理环节上表现不佳；而更强的模型以更高的计算成本提供更鲁棒的推理。我们提出 AgentCollab，一个自驱动的协作推理框架，在智能体执行过程中动态协调具有不同推理能力的模型。该框架不依赖外部路由模块，而是利用智能体自身的自我反思信号来判断当前推理轨迹是否取得有意义的进展，并仅在必要时将控制权升级到更强的推理层级。为进一步稳定长程执行，我们引入难度感知的累积升级策略，根据近期的失败信号分配额外的推理预算。在实验中，我们采用两级小-大模型设置来实例化该框架。在多个多步智能体基准上的实验表明，AgentCollab 持续改善 LLM 智能体的准确率-效率帕累托前沿。代码可在 此 https URL 获取。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2603.26034 [cs.CL] |
| （或 arXiv:2603.26034v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.26034 arXiv 颁发的 DOI 通过 DataCite |
|
| 相关 DOI： | https://doi.org/10.18653/2026.emnlp-main.2400
链接到相关资源的 DOI |
提交历史
来自：Wenbo Gao [查看邮箱]
[v1]
2026年3月27日星期五 03:07:34 UTC（265 KB）
[v2]
2026年10月30日星期五 09:58:36 UTC（268 KB）
来源：arXiv cs.CL · arxiv.org