AgentConductor: Evolución de Topología para Generación de Código a Nivel Competitivo en Sistemas Multi-Agente
AgentConductor: Topology Evolution for Multi-Agent Competition-Level Code Generation
February 19, 2026
Autores: Siyu Wang, Ruotian Lu, Zhihao Yang, Yuchao Wang, Yanzhou Zhang, Lei Xu, Qimin Xu, Guojun Yin, Cailian Chen, Xinping Guan
cs.AI
Resumen
Los sistemas multiagente (MAS) impulsados por modelos de lenguaje grande (LLM) coordinan agentes especializados mediante topologías de interacción predefinidas y han mostrado potencial para tareas complejas como la generación de código a nivel competitivo. Estudios recientes demuestran que los flujos de trabajo multiagente y los grafos de comunicación cuidadosamente diseñados pueden mejorar significativamente el rendimiento en generación de código mediante el razonamiento colaborativo. Sin embargo, los métodos existentes no adaptan la densidad de la topología a la dificultad de la tarea ni refinan iterativamente la topología dentro de una instancia utilizando retroalimentación de ejecución, lo que genera comunicación redundante y cuellos de botella en el rendimiento. Para abordar estos problemas, proponemos AgentConductor: un MAS optimizado por aprendizaje por refuerzo con un agente orquestador basado en LLM como núcleo, que permite la generación dinámica de topologías de interacción impulsada por retroalimentación de extremo a extremo. Para cada consulta, AgentConductor infiere los roles de los agentes y la dificultad de la tarea, luego construye una topología de grafo acíclico dirigido (DAG) en capas adaptada a la tarea y consciente de la densidad, respaldada por dos innovaciones clave. Primero, diseñamos una novedosa función de densidad topológica que captura caracterizaciones matemáticas conscientes de la comunicación para las interacciones multiagente. Segundo, adoptamos la partición por intervalos de dificultad para evitar una poda excesiva, permitiendo una medición precisa del límite superior de densidad topológica por nivel de dificultad y un control más granular. Empíricamente, en tres conjuntos de datos de código a nivel competitivo y dos fundamentales, AgentConductor logra una precisión de vanguardia, superando al baseline más fuerte hasta en un 14.6% en precisión pass@1, un 13% en reducción de densidad y un 68% en reducción de coste de tokens.
English
Large language model(LLM)-driven multi-agent systems(MAS) coordinate specialized agents through predefined interaction topologies and have shown promise for complex tasks such as competition-level code generation. Recent studies demonstrate that carefully designed multi-agent workflows and communication graphs can significantly improve code generation performance by leveraging collaborative reasoning. However, existing methods neither adapt topology density to task difficulty nor iteratively refine the topology within an instance using execution feedback, which leads to redundant communication and performance bottlenecks. To address these issues, we propose AgentConductor: a reinforcement learning-optimized MAS with an LLM-based orchestrator agent as its core, which enables end-to-end feedback-driven dynamic generation of interaction topologies. For each query, AgentConductor infers agent roles and task difficulty, then constructs a task-adapted, density-aware layered directed acyclic graph (DAG) topology, underpinned by two key innovations. First, we design a novel topological density function that captures communication-aware mathematical characterizations of multi-agent interactions. Second, we adopt difficulty interval partitioning to avoid excessive pruning for precise topological density upper bound measurement per difficulty level and finer-grained control. Empirically, across three competition-level and two foundational code datasets, AgentConductor achieves state-of-the-art accuracy, outperforming the strongest baseline by up to 14.6% in pass@1 accuracy, 13% in density reduction, and 68% in token cost reduction.