TacoMAS: Testzeit-Koevolution von Topologie und Fähigkeit in LLM-basierten Multi-Agenten-Systemen

TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems

May 10, 2026

Autoren: Chen Xu, Yicheng Hu, Ruizi Wang, Xinyu Lin, Wenjie Wang, Dongrui Liu, Fuli Feng

cs.AI

Zusammenfassung

Multiagentensysteme (MAS) haben sich als vielversprechendes Paradigma zur Lösung komplexer Aufgaben erwiesen. Aktuelle Arbeiten haben selbstentwickelnde MAS untersucht, die automatisch die Fähigkeiten der Agenten oder die Kommunikationstopologien optimieren. Allerdings lernen bestehende Methoden entweder eine Topologie, die zur Inferenzzeit fix bleibt, oder passen während der Inferenz nur die Topologie oder die Fähigkeiten an. Wir zeigen empirisch und theoretisch, dass eine effektive Laufzeitevolution eine gemeinsame Anpassung beider Achsen erfordert, jedoch auf unterschiedlichen Zeitskalen: Fähigkeiten sollten sich schnell aktualisieren, um aufkommende Teilaufgaben zu bewältigen, während sich die Topologie langsamer entwickeln sollte, um die Koordinationsstabilität zu bewahren. Wir stellen dann TacoMAS vor, ein Framework zur Laufzeit-Koevolution für dynamische MAS. TacoMAS formuliert die MAS-Inferenz als eine Aufgabe der Online-Graphenanpassung, wobei Knoten Agenten mit rollenspezifischen Fähigkeiten darstellen und Kanten deren Kommunikationstopologie definieren. Während der Inferenz aktualisiert eine schnelle Fähigkeitenschleife das Fachwissen der Agenten mithilfe von Feedback auf Trajektorienebene, während eine langsame, meta-LLM-gesteuerte Topologieschleife Geburts-Todes-Operationen an den Agenten im MAS durchführt, einschließlich Kantenbearbeitung, Agentenhinzufügung und Agentenentfernung. Wir zeigen ferner, dass dieses schnell-langsame Design die MAS-Evolution in Richtung eines aufgabenbedingten stabilen Gleichgewichts treibt. Experimente mit vier Benchmarks zeigen, dass TacoMAS fast 20 Multiagenten-Baselines übertrifft und eine durchschnittliche Verbesserung von 13,3 % gegenüber der stärksten Baseline erzielt. Die Codes sind unter https://github.com/chenxu2-gif/TacoMAS-MultiAgent veröffentlicht.

English

Multi-agent systems (MAS) have emerged as a promising paradigm for solving complex tasks. Recent work has explored self-evolving MAS that automatically optimize agent capabilities or communication topologies. However, existing methods either learn a topology that remains fixed at inference time or adapt only the topology or capability during inference. We empirically and theoretically show that effective test-time evolution requires jointly adapting both axes, but on different time scales: capabilities should update rapidly to handle emerging subtasks, while the topology should evolve more slowly to preserve coordination stability. We then introduce TacoMAS, a test-time co-evolution framework for dynamic MAS. TacoMAS formulates MAS inference as a task of online graph adaptation, where nodes represent agents with role-specific capabilities and edges define their communication topology. During inference, a fast capability loop updates agent expertise using trajectory-level feedback, while a slow meta-LLM-driven topology loop performs agents' birth-death operations on MAS, including edge edit, agent addition, and agent removal. We further show that this fast-slow design drives MAS evolution toward a task-conditioned stable equilibrium. Experiments on four benchmarks demonstrate that TacoMAS outperforms nearly 20 multi-agent baselines, achieving an average improvement of 13.3% over the strongest baseline. The codes are released at https://github.com/chenxu2-gif/TacoMAS-MultiAgent.