# 基于大语言模型的多智能体系统

9 篇关联报道

订阅更新

arXiv 2026年11月9日
多智能体违规不再只删最强消息：集体依赖分析把受控违规从93%压到6%
语言模型智能体各自守规矩，合起来却可能靠一批单独无害的消息促成违规。集体依赖分析（CDA）用删除与保留消息来度量每条消息的必要性和充分性，在受控对话中把违规率从93%降到6%，在智能体自行生成的运维对话中从98%降到9%。它同时给出解释和最小干预集，但联合依赖组难以完整还原，删除也可能误伤正确决策。
语言模型智能体各自守规矩，合起来却可能靠一批单独无害的消息促成违规。集体依赖分析（CDA）用删除与保留消息来度量每条消息的必要性和充分性，在受控对话中把违规率从93%降到6%，在智能体自行生成的运维对话中从98%降到9%。它同时给出解释和最小干预集，但联合依赖组难以完整还原，删除也可能误伤正确决策。
Edoardo Chidichimo（第一作者、通讯作者）
集体依赖分析集体性失准基于大语言模型的多智能体系统
arXiv 2026年10月12日
多智能体协作不再一律加人：先估骨干模型这道题会不会做，强模型省下36%token
多智能体协作的规模改由骨干模型对当前问题的胜任度决定：在六个基准上平均得分93.81%，高胜任度骨干上平均准确率从87.22升到89.97，同时每查询token用量减少36.26%。
Hong Kong Polytechnic University
Songmiao Wang（第一作者）
能力感知编排能力指纹角色激活通信拓扑生成基于大语言模型的多智能体系统
arXiv 2026年10月9日
EMFA用错误传播建模定位多智能体失败的决定性错误，在Who&When上把步骤级归因准确率提升3.45与4.40个百分点
该工作提出EMFA，将失败的多智能体执行轨迹重构为结构化依赖表示，显式建模级联错误传播与持续交互循环，经双分支候选筛选与反事实验证定位“决定性错误”（即修正后能恢复失败执行的智能体–步骤对）；在Who&When基准上取得最优步骤级归因准确率，较此前最佳在Hand-Crafted与Algorithm-Generated子集上分别提升3.45与4.40个百分点，智能体级准确率在Hand-Crafted子集最优、在Algorithm-Generated子集保持竞争力。
该工作提出EMFA，将失败的多智能体执行轨迹重构为结构化依赖表示，显式建模级联错误传播与持续交互循环，经双分支候选筛选与反事实验证定位“决定性错误”（即修正后能恢复失败执行的智能体–步骤对）；在Who&When基准上取得最优步骤级归因准确率，较此前最佳在Hand-Crafted与Algorithm-Generated子集上分别提升3.45与4.40个百分点，智能体级准确率在Hand-Crafted子集最优、在Algorithm-Generated子集保持竞争力。
Tianjin University National University of Defense Technology
Jiaqi Liao（第一作者）
EMFA框架错误传播建模失败归因基于大语言模型的多智能体系统 Who&When基准
arXiv 2026年10月9日
ReCast 将冻结 LLM 隐状态转为归因导向步骤表示，在四个失败归因基准上取得最高 Hit@1
该工作先量化发现文本嵌入与隐状态对根因步骤的区分度有限，随后提出 ReCast：用归因感知探针选层、稀疏 Johnson–Lindenstrauss 投影构造模式与偏差双分支特征，再用对比与排序目标训练双向编码器，把冻结 LLM 隐状态转成归因导向步骤表示，并发布 ReCast-2K 训练集；在 Who&When、TraceElephant、AFTraj-2K、Who&When Pro 四个基准上 Hit@1 均最高。
该工作先量化发现文本嵌入与隐状态对根因步骤的区分度有限，随后提出 ReCast：用归因感知探针选层、稀疏 Johnson–Lindenstrauss 投影构造模式与偏差双分支特征，再用对比与排序目标训练双向编码器，把冻结 LLM 隐状态转成归因导向步骤表示，并发布 ReCast-2K 训练集；在 Who&When、TraceElephant、AFTraj-2K、Who&When Pro 四个基准上 Hit@1 均最高。
Peking University Tsinghua University Future Academy
Weilin Jin（第一作者）
ReCast 失败归因 ReCast-2K 表示学习基于大语言模型的多智能体系统
arXiv 2026年10月8日
SAUCE 用滤波式序贯推断估计多智能体推理系统的不确定性，在五个骨干模型与两个协议上同时改善误分类检测、选择性预测与校准
该工作提出 SAUCE，一种免训练的不确定性估计器，把并行多智能体推理中的不确定性建模为对潜在系统级信念的序贯推断：每轮以跨智能体一致度作为证据、以生成不确定性作为该证据的噪声权重，通过滤波式递推更新信念，并在五个骨干模型、五个基准与 Debate、DyLAN 两个协议上改善了误分类检测、选择性预测与校准。
该工作提出 SAUCE，一种免训练的不确定性估计器，把并行多智能体推理中的不确定性建模为对潜在系统级信念的序贯推断：每轮以跨智能体一致度作为证据、以生成不确定性作为该证据的噪声权重，通过滤波式递推更新信念，并在五个骨干模型、五个基准与 Debate、DyLAN 两个协议上改善了误分类检测、选择性预测与校准。
Tunyu Zhang（第一作者）
SAUCE 不确定性估计基于大语言模型的多智能体系统贝叶斯滤波选择性预测
arXiv 2026年5月7日
集成式信息论任务选择框架让 LLM 多智能体通信结构优化在良性对抗场景下均优于随机训练
该工作提出一种基于集成的信息论任务选择框架，用集成卡尔曼反演近似贝叶斯更新来估计候选任务对图参数分布的改变量，并通过嵌入代表性选择、代理建模与批量汤普森采样提升可扩展性，在良性与对抗设置及多种任务格式下验证，一致优于随机训练，实现更有效的任务选择与更高的整体成本效率。
该工作提出一种基于集成的信息论任务选择框架，用集成卡尔曼反演近似贝叶斯更新来估计候选任务对图参数分布的改变量，并通过嵌入代表性选择、代理建模与批量汤普森采样提升可扩展性，在良性与对抗设置及多种任务格式下验证，一致优于随机训练，实现更有效的任务选择与更高的整体成本效率。
University of Wisconsin–Madison
Huchen Yang（第一作者）
主动学习基于大语言模型的多智能体系统通信结构优化集合卡尔曼反演汤普森采样
arXiv 2026年10月1日
冻结智能体只训练潜在通信链路，良性训练即把有害顺从从文本通信水平推高，RL攻击把均值从27.9拉到76.9
该工作研究多智能体系统中以可训练轻量链路替代文本通信的潜在通信安全性，发现仅训练链路、冻结全部智能体参数时，良性链路训练即可相对文本通信提高有害顺从，攻击者可通过在有害问答对上优化链路、向良性训练数据投毒，或用奖励引导的强化学习攻击（无需有害目标回复）进一步放大该效应，在三种通信拓扑与四个安全基准上把平均有害顺从分数从良性训练链路的27.9提升到76.9，并显示把奖励转向更安全行为可仅更新链路就大幅降低有害顺从。
该工作研究多智能体系统中以可训练轻量链路替代文本通信的潜在通信安全性，发现仅训练链路、冻结全部智能体参数时，良性链路训练即可相对文本通信提高有害顺从，攻击者可通过在有害问答对上优化链路、向良性训练数据投毒，或用奖励引导的强化学习攻击（无需有害目标回复）进一步放大该效应，在三种通信拓扑与四个安全基准上把平均有害顺从分数从良性训练链路的27.9提升到76.9，并显示把奖励转向更安全行为可仅更新链路就大幅降低有害顺从。
Muhammad Huzaifa（第一作者）
潜在空间通信安全对齐组相对策略优化奖励引导的通信链路修复基于大语言模型的多智能体系统
arXiv 2026年9月30日
REST 给潜空间思维加四项可微损失，在 7 个基准上把准确率最高提升 7.5 个百分点
该工作指出仅用最终答案交叉熵训练潜空间递归 LLM 系统会让思维表征出现四类失效，提出 REST 把因果性、最小性、可分离性与稳定性四项性质转成可微损失加到交叉熵上，在数学、科学、医学与代码生成的 7 个基准上、相同训练数据与潜空间预算下，多智能体平均提升 3.5 个百分点、单智能体平均提升 3.3 个百分点，最佳配置分别达 7.5 与 6.5 个百分点，并把收敛到最终答案的比例从 73% 提高到 95%。
该工作指出仅用最终答案交叉熵训练潜空间递归 LLM 系统会让思维表征出现四类失效，提出 REST 把因果性、最小性、可分离性与稳定性四项性质转成可微损失加到交叉熵上，在数学、科学、医学与代码生成的 7 个基准上、相同训练数据与潜空间预算下，多智能体平均提升 3.5 个百分点、单智能体平均提升 3.3 个百分点，最佳配置分别达 7.5 与 6.5 个百分点，并把收敛到最终答案的比例从 73% 提高到 95%。
Fahd Seddik（第一作者）
REST（表示监督思维）潜在递归LLM系统潜在推理基于大语言模型的多智能体系统
arXiv 2026年9月26日
MeshHeal 用双时间尺度同伴评审在 BBH、MATH、MMLU-Pro 上以每任务 51k token 达到 0.839 降级期准确率，优于 Symphony 的 0.807（115k token）
该工作提出 MeshHeal，一个完全去中心化的自愈框架，通过跨两个时间尺度的能力匹配同伴评审来应对去中心化 LLM 多智能体系统中的灰色故障：在快时间尺度上，自适应层级将不确定或低分输出从重复单评审者评估升级到委员会审议并在使用前纠正；在慢时间尺度上，任务与能力条件的同伴相对检测器聚合分数以区分持续退化与普通输出波动，触发强制委员会评审并最终将退化智能体排除出常规路由，恢复探针为其重新加入提供新证据；作者同时提出 Model-Backed MAS Evaluation 将能力分配绑定到执行模型，并在 BBH、MATH、MMLU-Pro 上报告 MeshHeal 在降级期达到 0.839 准确率、每任务共 51k 模型 to
该工作提出 MeshHeal，一个完全去中心化的自愈框架，通过跨两个时间尺度的能力匹配同伴评审来应对去中心化 LLM 多智能体系统中的灰色故障：在快时间尺度上，自适应层级将不确定或低分输出从重复单评审者评估升级到委员会审议并在使用前纠正；在慢时间尺度上，任务与能力条件的同伴相对检测器聚合分数以区分持续退化与普通输出波动，触发强制委员会评审并最终将退化智能体排除出常规路由，恢复探针为其重新加入提供新证据；作者同时提出 Model-Backed MAS Evaluation 将能力分配绑定到执行模型，并在 BBH、MATH、MMLU-Pro 上报告 MeshHeal 在降级期达到 0.839 准确率、每任务共 51k 模型 to
The Ohio State University Johns Hopkins University Arizona State University University of Houston
Keru Chen（第一作者）
MeshHeal 自愈框架去中心化LLM智能体网络灰故障自愈模型支撑的多智能体系统评估基于大语言模型的多智能体系统

已读完全部报道