GoAgent：面向基于大语言模型的多智能体系统的智能体通信拓扑生成
机器学习
2026-03-23 v1 人工智能
多智能体系统
摘要
大型语言模型 (LLM)-based 多智能体系统 (MAS) 在解决复杂任务方面展现出卓越能力，但其效能高度依赖于协调智能体相互作用的底层通信拓扑。在这些系统中，成功的解决问题往往需要特定的任务相关组结构来划分和解答子任务。然而，大多数现有方法以节点为中心生成通信拓扑，使组结构隐式地从局部连通性决策中浮现，而非显式地对其进行建模，常导致协调次优和不必要的通信开销。为此，我们提出 GoAgent (Group-of-Agents)，一种将协作组作为 MAS 构建的原子单元的通信拓扑生成方法。具体而言，GoAgent 首先通过 LLM 枚举任务相关的候选组，然后自回归式地选择并将这些组作为原子单元构建最终的通信图，同时捕捉组内内聚性和组间协调。为缓解扩张拓扑中固有的通信冗余和噪声传播，进一步引入条件信息瓶颈 (CIB) 目标，对组间通信进行压缩，保留任务相关信号的同时过滤掉冗余的历史噪声。在六个测试基准上的大量实验表明，GoAgent 以 93.84% 的平均准确率实现了最新的性能，同时将 token 消耗约降低 17%。
引用
@article{arxiv.2603.19677,
title = {GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems},
author = {Hongjiang Chen and Xin Zheng and Yixin Liu and Pengfei Jiao and Shiyuan Li and Huan Liu and Zhidong Zhao and Ziqi Xu and Ibrahim Khalil and Shirui Pan},
journal= {arXiv preprint arXiv:2603.19677},
year = {2026}
}