TacoMAS: Co-Evolución en Tiempo de Prueba de la Topología y la Capacidad en Sistemas Multiagente Basados en LLM

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

May 10, 2026

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

cs.AI

Resumen

Los sistemas multiagente (MAS) han surgido como un paradigma prometedor para resolver tareas complejas. Trabajos recientes han explorado MAS autoevolutivos que optimizan automáticamente las capacidades de los agentes o las topologías de comunicación. Sin embargo, los métodos existentes o bien aprenden una topología que permanece fija en tiempo de inferencia, o bien adaptan únicamente la topología o la capacidad durante la inferencia. Demostramos empírica y teóricamente que una evolución efectiva en tiempo de prueba requiere adaptar conjuntamente ambos ejes, pero en diferentes escalas temporales: las capacidades deben actualizarse rápidamente para manejar subtareas emergentes, mientras que la topología debe evolucionar más lentamente para preservar la estabilidad de la coordinación. A continuación, presentamos TacoMAS, un marco de coevolución en tiempo de prueba para MAS dinámicos. TacoMAS formula la inferencia del MAS como una tarea de adaptación de grafos en línea, donde los nodos representan agentes con capacidades específicas de rol y las aristas definen su topología de comunicación. Durante la inferencia, un bucle rápido de capacidades actualiza la experiencia de los agentes utilizando retroalimentación a nivel de trayectoria, mientras que un bucle lento de topología impulsado por un meta-LLM realiza operaciones de nacimiento-muerte de agentes en el MAS, que incluyen edición de aristas, adición de agentes y eliminación de agentes. Además, mostramos que este diseño rápido-lento conduce la evolución del MAS hacia un equilibrio estable condicionado a la tarea. Experimentos en cuatro puntos de referencia demuestran que TacoMAS supera a casi 20 líneas base multiagente, logrando una mejora promedio del 13.3% sobre la línea base más fuerte. Los códigos se publican en https://github.com/chenxu2-gif/TacoMAS-MultiAgent.

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.