并行性遇见自适应性：多智能体大语言模型系统中的可扩展文档理解-计算机科学大语言模型-多智能体系统.pdfVIP

并行性遇见自适应性：多智能体大语言模型系统中的可扩展文档

理解

1222

ChengxuanXiaQianyeWuSixuanTianYilunHao

1UniversityofCalifornia,SantaCruz,CA,USA

2CarnegieMellonUniversity,Pittsburgh,PA,USA

cxia17@,{qianyew,sixuant,yilunhao}@

摘要关键能力上。首先，动态任务路由允许智能体根据当前上

下文、信心和容量重新分配子任务。其次，双向反馈环路

本大型语言模型（LLM）代理在协作任务完成方面显示使下游智能体能够提供批评或修订请求，从而提高质量和

译出越来越大的潜力。然而，现有的多代理框架通常依赖静问责制。第三，平行智能体评估引入了结构化的竞争：多

态工作流程、固定角色和有限的代理间通信，这降低了它个智能体独立尝试同一任务，并由一个评估者基于评分标

中们在开放性高复杂度领域中的有效性。本文提出了一种通准选择最连贯且事实正确的输出。

1过三大核心机制实现适应性的协调框架：动态任务路由、我们通过涉及长文档分析和监管问题回答的案例研

v

1双向反馈和平行代理评估。该框架允许代理根据信心水平究来评估这个框架。结果显示，我们的方法在准确性、一

6和工作负载重新分配任务，交换结构化批评以迭代改进致性和对歧义的鲁棒性方面显著优于静态流水线和仅反

0

7输出，并且——至关重要的是——在一个高度模糊的子任馈基线。

1.务上竞争，由评估器驱动选择最合适的结果。我们在模块本文介绍了框架的架构设计、协调策略和实证验证。

7化架构中实现这些原则，并展示了在事实覆盖范围、连贯通过这些，为开发能够在动态和高风险环境运行的大规

0

5性和效率方面相对于静态和部分适应性基线的重大改进。模、稳健且智能的多代理系统做出了贡献。

2我们的研究结果强调了将适应性和结构化竞争纳入多代

:

v理LLM系统中的益处。

i

x2相关工作

r

a

1介绍基于大型语言模型（LLMs）的多智能体系统迅速成为

解决复杂多阶段任务的强大范式。早期框架如AutoGPT

大型语言模型（LLMs）的最新进展使自主代理能够和BabyAGI引入了具有记忆和子任务管理的单智能体

执行越来越多跨领域的复杂任务，如摘要生成、研究辅助递归任务规划器，尽管它们受限于脆弱、线性的执行流

和技术写作。在此基础上，提出了多代理框架来协调多个程，并且缺乏真正的跨智能体协调[13,17]。后续系统如

由LLM驱动的代理以实现协作任务完成。尽管这些系统CAMEL[18]和CrewAI[11]引入了基于角色的任务委托和

展示了分布式工作流的潜力，但大多数依赖于静态设计基于对话的智能体协作。LangGraph使用图结构形式化

——固定的角色分配、线性任务流程和有限的交互协议。了智能体工作流[12]，但没有纳入反馈循环或任务重新分

这样的刚性在现实世界设置中带来了严重限制，因为配机制。

在这些设置中模糊性、变化的任务状态和不均匀的代理最近的元代理和层级系统，如MetaGPT[6]和Voy-

性能很常见。例如，一个负责分析财务披露的静态代理团ager[16]，展示了改进的规划、代码合成和环境交互能力。

队，在引入新信息时可能无法修正早期假设，或者可能会