COALESCE：自主 LLM 智能体团队中基于技能的任务外包的经济学与安全动态
人工智能
2025-06-03 v1 计算工程、金融与科学
密码学与安全
摘要
自主大语言模型（LLM）智能体的迅速崛起与普及有望在各个领域带来显著的能力提升。然而，其部署日益受到庞大计算需求的制约，尤其是对图形处理器（GPU）资源的需求。本文探讨了优化 LLM 智能体系统中资源利用率的关键问题。我们提出了 COALESCE（基于技能的能力估计的成本优化与安全智能体劳动力交换），这是一种新颖的框架，旨在使自主 LLM 智能体能够将特定子任务动态外包给专业的、具有成本效益的第三方 LLM 智能体。该框架集成了混合技能表示、动态技能发现、自动化任务分解、比较内部执行成本与外部外包价格的统一成本模型、简化的基于市场的决策算法，以及 LLM 智能体之间的标准化通信协议等机制。通过 239 次理论模拟的全面验证表明，其具有 41.8\% 的成本降低潜力；而在 240 个真实 LLM 任务上的大规模经验验证表明，通过适当的 epsilon-greedy 探索，可实现 20.3\% 的成本降低，从而确立了其理论可行性与实际有效性。Google 的 Agent2Agent（A2A）协议等拟议开放标准的出现，进一步突显了对 COALESCE 这类框架的需求，此类框架能够利用这些标准实现高效的智能体交互。通过促进智能体能力的动态市场，并可能利用 A2A 等协议进行通信，COALESCE 旨在显著降低运营成本、增强系统可扩展性，并促进专业化智能体经济的出现，使复杂的 LLM 智能体功能更易获取且更具经济可行性。
引用
@article{arxiv.2506.01900,
title = {COALESCE: Economic and Security Dynamics of Skill-Based Task Outsourcing Among Team of Autonomous LLM Agents},
author = {Manish Bhatt and Ronald F. Del Rosario and Vineeth Sai Narajala and Idan Habler},
journal= {arXiv preprint arXiv:2506.01900},
year = {2025}
}
备注
20 pages, 2 figures, github linked