检索导向的拓扑选择及其在多智能体代码生成中的可证预算守恒
人工智能
2026-05-08 v1 多智能体系统
摘要
多智能体 LLM 系统用于代码生成面临一个根本性路由问题：最优编排拓扑取决于待修改代码的结构复杂性，而现有系统却在不查询代码库的情况下选择拓扑结构。我们提出检索引导的自适应编排 (Retrieval-Guided Adaptive Orchestration, RGAO) 架构，通过从层次化代码索引中提取结构复杂性向量，再选择编排拓扑，从而闭合这一循环。RGAO 运行于 Code-Agent 框架内，其子智能体受由六维预算向量构成的形式合同管控。我们的核心贡献在于组合两个此前分离的研究线——复杂度条件 LLM 路由与形式资源代数——从而实现单独存在时均无法实现的属性：在检索条件下动态拓扑选择下的可证预算守恒。具体而言，我们贡献了：(1) 一种复杂度条件拓扑路由器，将代理测量误路由率从 30.1% 降至 8.2%；(2) 一种具结构诱导守恒定理的预算代数；(3) 一种层次化代码检索引擎。经验评估表明，DAG 构建耗时亚毫秒，树索引规模呈线性增长。
关键词
引用
@article{arxiv.2605.05657,
title = {Retrieval-Conditioned Topology Selection with Provable Budget Conservation for Multi-Agent Code Generation},
author = {Abhijit Talluri and Pujith Anne and Bhagavan Choudary Pendiyala and Raghavendra Chilukuri},
journal= {arXiv preprint arXiv:2605.05657},
year = {2026}
}
备注
30 pages, 9 figures. NeurIPS 2026 Evaluations and Datasets Track Submission Under review