Loading...
Loading...

Seventy3:借助NotebookLM的能力进行论文解读,专注人工智能、大模型、机器人算法、crypto方向,让大家跟着AI一起进步。
如果你想要解读自己的论文,获得更多曝光度。请联系小助手微信:seventy3_podcast 加群。
合作邮箱:zhiwudazhanjiangshi#gmail.com
Agent Primitives: Reusable Latent Building Blocks for Multi-Agent Systems
Summary
虽然现有的多智能体系统(MAS)能够通过协作处理复杂问题,但它们通常具有高度的任务特定性,依赖人工设计的角色和交互提示词,这导致了架构复杂度的增加以及任务间复用性的受限。此外,大多数 MAS 主要通过自然语言进行通信,使得它们在长上下文、多阶段的内部交互中容易受到错误累积和不稳定性的影响。
在本文中,我们提出了 Agent Primitives(智能体原语)——一套用于大模型多智能体系统的可复用潜分量构建模块。受神经网络设计的启发(即复杂模型由可复用组件构建),我们观察到许多现有的 MAS 架构可以分解为少数反复出现的内部计算模式。基于这一观察,我们实例化了三种原语:审查(Review)、投票与选择(Voting and Selection),以及规划与执行(Planning and Execution)。
所有原语内部均通过 键值缓存(KV Cache) 进行通信,通过减轻多阶段交互中的信息降解,提升了系统的鲁棒性与效率。为了实现系统的自动构建,组织者(Organizer) 智能体会在轻量级成功配置知识池的引导下,为每个查询选择并组合原语,从而形成基于原语的 MAS。
实验表明,与单智能体基准相比,基于原语的 MAS 将平均准确率提升了 12.0%–16.5%;与基于文本通信的 MAS 相比,其 Token 使用量和推理延迟降低了约 3 到 4 倍,而相对于单智能体推理仅增加了 1.3 到 1.6 倍的开销,并在不同骨干模型上提供了更稳定的表现。
原文链接:https://arxiv.org/abs/2602.03695
No transcript available for this episode.

Seventy3