AgentBalance：面向预算约束下的多智能体系统的骨干-拓扑设计
人工智能
2025-12-15 v1
摘要
大型语言模型（LLM）驱动的多智能体系统（MAS）正在成为Web规模应用（如Web搜索、社交网络分析和在线客户支持）中不可或缺的构建模块，其中成本效益是大规模部署的首要约束。虽然近期研究通过塑造智能体间通信拓扑和选择智能体骨干来提高MAS的成本效益，但很少建模和在显式的token成本和延迟预算约束下进行优化。这常常导致以拓扑为先的设计，以及在预算紧张时成本效应不佳。我们提出AgentBalance，一种在显式token成本和延迟预算约束下构建成本有效MAS的框架，通过骨干-拓扑设计。AgentBalance首先进行骨干导向的智能体生成，通过LLM池构建、池选择和角色-骨干匹配构建具有异构骨干的智能体。随后进行自适应MAS拓扑生成，通过智能体表示学习、门控和延迟感知拓扑合成引导智能体间通信。实验表明，在14个候选LLM骨干的基准测试中，AgentBalance在匹配token成本和延迟预算下分别实现了最高10%和22%的性能提升，并在性能-预算曲线上表现出强大的AUC。AgentBalance也可作为现有MAS的插件，在相同的token成本和延迟约束下提高性能，并在实际的预算感知部署中对未见的LLM具有良好的泛化能力。代码：https://github.com/usail-hkust/AgentBalance
引用
@article{arxiv.2512.11426,
title = {AgentBalance: Backbone-then-Topology Design for Cost-Effective Multi-Agent Systems under Budget Constraints},
author = {Shuowei Cai and Yansong Ning and Hao Liu},
journal= {arXiv preprint arXiv:2512.11426},
year = {2025}
}