浙大：多智能体协同自进化框架

标题Evolve as a Team: Collaborative Self-Evolution for LLM-based Multi-Agent Systems来源arXiv, 2605.29790v1️文章简介研究问题如何解决现有多智能体系统演化方法因集中式分析长轨迹而导致失败归因不准及上下文过载的问题主要贡献论文提出Meta-Team框架通过保留局部上下文与任务后协作通信实现多尺度协同自进化以提升系统性能。重点思路提出协同演化范式以替代全局或局部方案保留各智能体本地执行上下文并通过任务后通信交换分布式证据避免将全量轨迹压缩至单一分析器造成的瓶颈。设计智能体级进化机制每个智能体基于自身执行链反思并主动获取跨智能体证据来验证其决策对下游的影响从而更新个体行为脚手架。构建交互级进化模块智能体通过回溯协作历史优化队友画像与沟通机制校准对彼此能力边界的理解提升后续协作效率。实施团队级进化策略通过集体讨论修订团队章程、组织架构及角色配置实现从底层执行经验到顶层组织规则的自底向上优化。采用开放名册编排机制动态招募活跃智能体子集并将演化产物存储为可复用的文本补丁与配置文件确保改进的可解释性与模型无关性。分析总结在六个长周期基准测试中Meta-Team平均性能超越手工设计的多智能体系统6.6%且显著优于单智能体及现有演化方法证明了协同进化的有效性。消融实验证实协同经验组织优于集中式与分区式方案尤其在超过128K token的长轨迹中协同方案的故障归因准确率保持领先未出现性能骤降。多尺度进化缺一不可其中智能体级进化贡献最大交互级与团队级进化则在不同任务类型中发挥互补作用共同支撑系统整体提升。具备良好的可扩展性与泛化能力在上下文长度增至256K时仍保持最优性能且在Python数据上进化后能成功迁移至C和Java等未见语言任务。在受限预算下展现出更优的性能成本权衡能够利用超时反馈调整团队系统以更低的推理成本实现比其他演化方法更高的任务通过率。个人观点论文将“团队反思”这一组织心理学概念引入多智能体系统演化纠正了以往演化方法与MAS分布式执行架构不匹配的缺陷。它不再把多智能体轨迹视为待压缩的扁平文本而是将其还原为分布式认知过程。