如何讓一個大型語言模型驅(qū)動的智能體團(tuán)隊(duì)，在面對千變?nèi)f化的復(fù)雜任務(wù)時，能像人類專家團(tuán)隊(duì)一樣，動態(tài)地決定“誰上”、“幾個人上”、“他們之間如何溝通”，而不是死板地套用一個固定的組織架構(gòu)？

近期，來自多個頂尖研究機(jī)構(gòu)的團(tuán)隊(duì)發(fā)布了 ARG-Designer 框架，它創(chuàng)新性地將多智能體系統(tǒng)的設(shè)計問題，從傳統(tǒng)的“修剪模板”思路，徹底轉(zhuǎn)變?yōu)橐粋€“從零生成”的自回歸圖生成任務(wù)。該框架讓模型學(xué)會了根據(jù)任務(wù)需求，從一個可擴(kuò)展的專家?guī)熘小白孕薪M隊(duì)”，自動構(gòu)建最高效的協(xié)作網(wǎng)絡(luò)。這不僅是一個“新模型”，更是一個設(shè)計多智能體系統(tǒng)的“新范式”，它將靈活性和效率提升到了一個全新的高度。

論文作者：
Griffith Unversity的李世源，劉奕鑫，潘世瑞
Squirrel AI的文青松
The Hong Kong Polytechnic University的張成奇。

ARG-Designer: Automated Design of Multi-Agent Communication Topology via Autoregressive Graph Generation
https://arxiv.org/abs/2507.18224
https://github.com/Shiy-Li/ARG-Designer

把智能體團(tuán)隊(duì)設(shè)計，從「修改模板」變?yōu)椤赴葱枭伞?/h3>

現(xiàn)實(shí)世界的問題，往往不是一套固定的“全明星陣容”就能解決的。傳統(tǒng)的智能體系統(tǒng)設(shè)計，大多依賴于一個預(yù)定義的、包含所有可能角色的“大而全”的模板圖，然后根據(jù)任務(wù)去裁剪、優(yōu)化。這種方式就像為了完成一個簡單的項(xiàng)目，卻召集了一個包含公司所有部門負(fù)責(zé)人的龐大委員會，不僅效率低下，而且造成了巨大的資源浪費(fèi)。

ARG-Designer 的核心洞見，就是將這個過程徹底顛覆：不再修改，而是從零開始創(chuàng)造。

圖注：(a) 傳統(tǒng)“模板修改”范式 vs (b) ARG-Designer 的“自回歸生成”新范式

ARG-Designer 如何實(shí)現(xiàn)「從零到一」的團(tuán)隊(duì)構(gòu)建？

ARG-Designer 將團(tuán)隊(duì)構(gòu)建的過程，變成了一個邏輯清晰、分步進(jìn)行的自回歸生成任務(wù)：

1. 分配智能體角色：從一個可擴(kuò)展的“角色池”中，為每個位置挑選最合適的專家（如項(xiàng)目經(jīng)理、算法設(shè)計師、測試員等）。
2. 建立通信鏈接：模型隨即確定這個新節(jié)點(diǎn)與團(tuán)隊(duì)中已有成員的溝通渠道，建立連接。

這個“選人-拉群”的過程會持續(xù)進(jìn)行，直到模型認(rèn)為當(dāng)前團(tuán)隊(duì)配置足以解決問題時便會自動停止。最終團(tuán)隊(duì)的規(guī)模和結(jié)構(gòu)，是這個動態(tài)生成過程的自然結(jié)果，而非預(yù)先設(shè)定。

圖注：ARG-Designer 的生成流程與訓(xùn)練流程

整個過程完全由模型根據(jù)任務(wù)查詢自動完成，最終生成的協(xié)作網(wǎng)絡(luò)是高度定制化且高效的。

實(shí)驗(yàn)效果：不僅要“強(qiáng)”，還要“省”

評測覆蓋了六個不同類型的基準(zhǔn)任務(wù)，實(shí)驗(yàn)結(jié)果充分證明了ARG-Designer在性能和效率上的雙重優(yōu)勢。

1）性能表現(xiàn)：在六大基準(zhǔn)上全面領(lǐng)先，“越級”挑戰(zhàn)

如下表所示，ARG-Designer 在所有六個基準(zhǔn)測試中均取得了SOTA性能，平均準(zhǔn)確率達(dá)到 **92.78%**，全面超越了包括 G-Designer、LLM-Debate 在內(nèi)的現(xiàn)有頂尖方法。

2）效率與成本：令牌消耗更少，性能表現(xiàn)更優(yōu)

更令人印象深刻的是它的效率。如下圖所示，ARG-Designer（紅色五角星）在 MMLU 和 GSM8K 兩個數(shù)據(jù)集上，以遠(yuǎn)低于其他方法的令牌消耗，實(shí)現(xiàn)了更高的準(zhǔn)確率。這真正做到了“降本增效”。

3）案例分析：為不同任務(wù)生成專屬協(xié)作方案

ARG-Designer 的強(qiáng)大之處在于其靈活性和適應(yīng)性。

當(dāng)面對一個需要法律知識的新任務(wù)時，它可以從擴(kuò)展后的角色池中挑選“律師”這一全新角色，并圍繞其構(gòu)建協(xié)作網(wǎng)絡(luò)。

在與 G-Designer 的對比中，其優(yōu)勢更加明顯。G-Designer 只能使用固定的復(fù)雜模板，而ARG-Designer則能在保證完成任務(wù)的基礎(chǔ)上生成最簡單的團(tuán)隊(duì)結(jié)構(gòu)，極大節(jié)省了資源。

總結(jié)：從「固定編制」到「動態(tài)組隊(duì)」的未來

ARG-Designer 的貢獻(xiàn)不僅在于性能的超越，更在于它為多智能體系統(tǒng)的自動化設(shè)計提供了一個全新的、更靈活的范式。它證明了，我們無需為智能體預(yù)設(shè)一個“固定編制”，而是可以賦予它們“動態(tài)組隊(duì)”的能力。

未來的研究將沿著這條道路繼續(xù)深入，探索更復(fù)雜的動態(tài)協(xié)作機(jī)制，甚至讓智能體網(wǎng)絡(luò)在任務(wù)執(zhí)行中自我演化，這將是通往更高級通用人工智能的重要一步。

本文轉(zhuǎn)載自??PaperAgent??