SwarmSys: Dezentrale, schwarminspirierte Agenten für skalierbares und adaptives Schließen

SwarmSys: Decentralized Swarm-Inspired Agents for Scalable and Adaptive Reasoning

October 11, 2025

papers.authors: Ruohao Li, Hongjun Liu, Leyi Zhao, Zisu Li, Jiawei Li, Jiajun Jiang, Linning Xu, Chen Zhao, Mingming Fan, Chen Liang

cs.AI

papers.abstract

Große Sprachmodell-Agenten (LLM-Agenten) haben bemerkenswerte Fähigkeiten im Bereich des logischen Schließens gezeigt. Bestehende Multi-Agenten-Systeme beruhen jedoch oft auf festen Rollen oder zentralisierter Steuerung, was die Skalierbarkeit und Anpassungsfähigkeit bei langfristigen Schlussfolgerungen einschränkt. Wir stellen SwarmSys vor, ein geschlossenes Framework für verteiltes Multi-Agenten-Schließen, das von der Schwarmintelligenz inspiriert ist. Die Koordination in SwarmSys entsteht durch iterative Interaktionen zwischen drei spezialisierten Rollen – Entdecker, Arbeiter und Validierer –, die kontinuierlich zwischen Exploration, Ausnutzung und Validierung wechseln. Um skalierbare und adaptive Zusammenarbeit zu ermöglichen, integrieren wir adaptive Agenten- und Ereignisprofile, embedding-basierte probabilistische Zuordnung und einen pheromoninspirierten Verstärkungsmechanismus, der dynamische Aufgabenverteilung und selbstorganisierende Konvergenz ohne globale Überwachung unterstützt. In symbolischem Schließen, Forschungssynthese und wissenschaftlichen Programmieraufgaben übertrifft SwarmSys durchgängig Vergleichsbaselines und verbessert sowohl die Genauigkeit als auch die Stabilität des Schließens. Diese Ergebnisse unterstreichen die schwarminspirierte Koordination als vielversprechendes Paradigma für skalierbares, robustes und adaptives Multi-Agenten-Schließen und deuten darauf hin, dass die Skalierung der Koordination der Modellskalierung in der Weiterentwicklung der LLM-Intelligenz ebenbürtig sein könnte.

English

Large language model (LLM) agents have shown remarkable reasoning abilities. However, existing multi-agent frameworks often rely on fixed roles or centralized control, limiting scalability and adaptability in long-horizon reasoning. We introduce SwarmSys, a closed-loop framework for distributed multi-agent reasoning inspired by swarm intelligence. Coordination in SwarmSys emerges through iterative interactions among three specialized roles, Explorers, Workers, and Validators, that continuously cycle through exploration, exploitation, and validation. To enable scalable and adaptive collaboration, we integrate adaptive agent and event profiles, embedding-based probabilistic matching, and a pheromone-inspired reinforcement mechanism, supporting dynamic task allocation and self-organizing convergence without global supervision. Across symbolic reasoning, research synthesis, and scientific programming tasks, SwarmSys consistently outperforms baselines, improving both accuracy and reasoning stability. These findings highlight swarm-inspired coordination as a promising paradigm for scalable, robust, and adaptive multi-agent reasoning, suggesting that coordination scaling may rival model scaling in advancing LLM intelligence.