arXiv cs.AI·60 天前★ 3

Codebook Agent：大模型多智能体系统拓扑设计

原文标题：Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems

重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

提出Codebook Agent方法，用向量量化自编码器压缩成功拓扑为码本，通过奖励加权MLP和代理重排序实现高效拓扑生成。在六个基准上准确率最高，且延迟和token消耗更低。

论文速读 · 四段结构cs.AI去论文速读 →

问题: LLM多智能体系统拓扑设计被建模为条件图生成，与实际问题错位。
方法: 用向量量化自编码器把成功拓扑压缩为16项码本，奖励加权MLP映射查询到码本分布，MLP代理读取扁平邻接矩阵重排序候选，测试时无迭代搜索和消息传递。
结果: 六个基准上准确率最高，延迟和token消耗更低；发现奖励过滤后拓扑坍缩至约6种，边数与token消耗负相关（r≈-0.4）。
影响: 揭示现有拓扑生成评估的缺陷，提供更高效的多智能体编排方案，可降低推理成本。

AI 处理过程展开/收起

原始标题：Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems

AI 中文标题：Codebook Agent：大模型多智能体系统拓扑设计

来源：arXiv cs.AI · 发布于 60 天前

分类：学术研究 · AI 重要度：★ 3（3）

标签：多智能体 / 拓扑设计 / 向量量化 / 效率

关键词：multi-agent / topology / codebook

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。