arXiv cs.AI· Bolin Shen, Yushun Dong·· 2 天前AI 评分31
ARIA：面向多智能体系统的运行时检查与修正框架
ARIA: Runtime Inspection and Amendment for Multi-Agent Systems
AI 导读
研究者提出 ARIA 框架，让紧凑模型学会在多智能体系统执行过程中判断何时干预、如何修正。团队从四个多智能体框架、六个基准、八种宿主模型收集超 24,000 条轨迹，构建了含 3,953 对执行验证修复的 ARIA 数据集，用于训练模型识别失败并给出修正方案。该模型在事后与运行时修复中均表现良好，并可泛化到未见过的框架和宿主模型，代码已开源。
正文 · AI 翻译
摘要：在基于 LLM 的多智能体系统（MAS）中，一个局部错误会随着其他智能体在其基础上继续构建而传播，把一个本可纠正的错误变成失败的任务。对已完成的运行进行诊断，或反复重新执行以搜索修正，都无法提供一种可学习的策略来在执行仍在进行时进行干预。我们提出 Agent Runtime Inspection and Amendment（ARIA），一个用于学习何时以及如何修复正在进行的多智能体执行的框架。我们的核心直觉是将执行验证过的修复转化为可复用的监督信号，把修复搜索转移到数据构建和训练中，使学习到的模型能够在运行时进行干预，而无需反复测试各种替代方案。首先，我们收集了超过 24,000 条成功和失败的轨迹，涵盖四个多智能体框架、六个基准和八个宿主模型。从这些轨迹中，我们构建了 ARIA 数据集，据我们所知，这是首个将失败的多智能体轨迹与执行验证过的修复配对的大规模数据集。它包含 3,953 个经过验证的修复对，每个修复对都指明了出了什么问题、应在何处干预以及执行应如何继续。然后，我们开发了 ARIA 框架，用于与 MAS 无关的运行时检查和修正，旨在与任何能够暴露执行轨迹并支持继续替换的 MAS 集成。使用经过验证的修复作为训练示例，我们训练一个紧凑模型来识别何时需要干预以及如何纠正正在进行的运行。目标是学习适用于新配置中相关失败的修复策略，而不仅仅是复现单个修正。最后，训练好的 ARIA 模型在事后和运行时设置中都展现出强大的修复性能，并能泛化到未见过的框架和宿主模型。我们的代码可在 此 https URL 获取。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20780 [cs.AI] |
| （或 arXiv:2610.20780v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20780 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Bolin Shen [查看电子邮件]
[v1]
2026年10月14日星期三 18:27:47 UTC（391 KB）
来源：arXiv cs.AI · arxiv.org