arXiv 2026年10月5日该工作提出动态专家剪枝（DEP）：分析显示多智能体系统中不同任务与角色会调用不同专家，而静态剪枝对所有请求使用同一固定掩码；DEP利用智能体的系统提示与任务提示，经一次前向传播生成按请求定制的专家掩码，无需逐配置校准，在多种任务、角色、模型规模与MoE架构上整体准确率优于静态剪枝与合并基线，并可泛化到训练中未见的工作流，且在保留专家数很少时优势最大。该工作提出动态专家剪枝（DEP）：分析显示多智能体系统中不同任务与角色会调用不同专家，而静态剪枝对所有请求使用同一固定掩码；DEP利用智能体的系统提示与任务提示，经一次前向传播生成按请求定制的专家掩码，无需逐配置校准，在多种任务、角色、模型规模与MoE架构上整体准确率优于静态剪枝与合并基线，并可泛化到训练中未见的工作流，且在保留专家数很少时优势最大。DEP用提示词为多智能体系统动态剪枝专家，在保留专家极少时准确率超过静态剪枝与合并基线该工作提出动态专家剪枝（DEP）：分析显示多智能体系统中不同任务与角色会调用不同专家，而静态剪枝对所有请求使用同一固定掩码；DEP利用智能体的系统提示与任务提示，经一次前向传播生成按请求定制的专家掩码，无需逐配置校准，在多种任务、角色、模型规模与MoE架构上整体准确率优于静态剪枝与合并基线，并可泛化到训练中未见的工作流，且在保留专家数很少时优势最大。该工作提出动态专家剪枝（DEP）：分析显示多智能体系统中不同任务与角色会调用不同专家，而静态剪枝对所有请求使用同一固定掩码；DEP利用智能体的系统提示与任务提示，经一次前向传播生成按请求定制的专家掩码，无需逐配置校准，在多种任务、角色、模型规模与MoE架构上整体准确率优于静态剪枝与合并基线，并可泛化到训练中未见的工作流，且在保留专家数很少时优势最大。