MMoA：面向记忆混合智能体的循环 AI 智能体框架
计算与语言
2026-05-20 v1
摘要
混合智能体 (MoA) 框架在通过聚合来自多个代理的输出方面显示出前景，但现有的 MoA 系统常依赖不完全捕获跨聚合层次时序和上下文依赖性的静态路由器。为解决这一限制，我们提出 MMoA，一种集成 LSTM 基 gating 的循环 MoA 架构。循环路由器根据当前输入和历史路由决策，自适应地调制代理贡献，从而实现更具上下文感知的聚合。我们在标准指令遵循基准测试上评估了 MMoA，包括 AlpacaEval 2.0、MT-Bench 和 Arena-Hard。结果表明，MMoA 在准确性上与传统 MoA 相当，同时通过动态激活更少的代理来降低计算开销。例如，在 AlpacaEval 2.0 上，MMoA 实现了 58.0% 的胜率，对比 MoA 的 59.8%，同时提高了运行效率最高可达 4.6%。这些结果表明，MMoA 提供了一种可扩展且高效的自适应多代理 LLM 系统方法。
引用
@article{arxiv.2605.19194,
title = {MMoA: An AI-Agent framework with recurrence for Memoried Mixure-of-Agent},
author = {Rui Chu},
journal= {arXiv preprint arXiv:2605.19194},
year = {2026}
}