面向 LLM 智能体协调：基于动态临时网络的自适应、可扩展与鲁棒设计
人工智能
2026-02-10 v1 计算与语言
摘要
建立在大型语言模型（LLM）之上的多智能体架构已展示出通过精心设计的协作实现群体智慧的潜力。然而，大量的手动编排工作本质上提高了自动化智能体工作流程设计的迫切需求。我们将此类智能体协调挑战定义为动态临时网络中的经典问题：如何在可扩展的智能体主机之间建立自适应和可靠的通信？针对这一未解决的困境，我们引入 RAPS，一种面向 LLM 智能体协调的声誉感知发布-订阅范式，以实现自适应、可扩展和鲁棒。RAPS 建立在分布式发布-订阅协议之上，使 LLM 智能体能够根据其声明的意图进行消息交换，而无需依赖预定义的拓扑结构。除了这一底层架构之外，RAPS 还融入了两个相容的覆盖层：（i）响应式订阅，使智能体能够动态细化其意图；（ii）贝叶斯声誉，使每个智能体都具备本地看门人，以检测并隔离恶意同伴。对五个基准进行的广泛实验表明，我们的设计在统一的多智能体协调框架中有效地实现了自适应性、可扩展性和鲁棒性之间的调和。
引用
@article{arxiv.2602.08009,
title = {Towards Adaptive, Scalable, and Robust Coordination of LLM Agents: A Dynamic Ad-Hoc Networking Perspective},
author = {Rui Li and Zeyu Zhang and Xiaohe Bo and Quanyu Dai and Chaozhuo Li and Feng Wen and Xu Chen},
journal= {arXiv preprint arXiv:2602.08009},
year = {2026}
}