TacoMAS : Co-évolution au moment du test de la topologie et des capacités dans les systèmes multi-agents basés sur les LLM

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

May 10, 2026

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

cs.AI

Résumé

Les systèmes multi-agents (SMA) sont devenus un paradigme prometteur pour résoudre des tâches complexes. Des travaux récents ont exploré des SMA auto-évolutifs qui optimisent automatiquement les capacités des agents ou les topologies de communication. Cependant, les méthodes existantes soit apprennent une topologie qui reste fixe lors de l'inférence, soit adaptent uniquement la topologie ou les capacités pendant l'inférence. Nous montrons de manière empirique et théorique qu'une évolution efficace à l'inférence nécessite d'adapter conjointement ces deux axes, mais à des échelles temporelles différentes : les capacités doivent être mises à jour rapidement pour gérer les sous-tâches émergentes, tandis que la topologie doit évoluer plus lentement pour préserver la stabilité de la coordination. Nous introduisons ensuite TacoMAS, un cadre de co-évolution à l'inférence pour les SMA dynamiques. TacoMAS formule l'inférence des SMA comme une tâche d'adaptation de graphe en ligne, où les nœuds représentent des agents avec des capacités spécifiques à leur rôle et les arêtes définissent leur topologie de communication. Pendant l'inférence, une boucle rapide de capacités met à jour l'expertise des agents en utilisant un retour d'information au niveau de la trajectoire, tandis qu'une boucle de topologie lente pilotée par un méta-LLM effectue des opérations de naissance et de mort des agents dans le SMA, incluant la modification des arêtes, l'ajout et la suppression d'agents. Nous montrons en outre que cette conception rapide-lente conduit l'évolution du SMA vers un équilibre stable conditionné par la tâche. Des expériences sur quatre bancs d'essai démontrent que TacoMAS surpasse près de vingt lignes de base multi-agents, avec une amélioration moyenne de 13,3 % par rapport à la meilleure ligne de base. Les codes sont disponibles à l'adresse 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.