TCAndon-Router: Router di Ragionamento Adattivo per la Collaborazione Multi-Agente

TCAndon-Router: Adaptive Reasoning Router for Multi-Agent Collaboration

January 8, 2026

Autori: Jiuzhou Zhao, Chunrong Chen, Chenqi Qiao, Lebin Zheng, Minqi Han, Yanchi Liu Yongzhou Xu Xiaochuan Xu Min Zhang

cs.AI

Abstract

I sistemi multi-agente (MAS) sono diventati un paradigma potente per la costruzione di applicazioni intelligenti ad alte prestazioni. In questi sistemi, il router responsabile di determinare quali agenti esperti dovrebbero gestire una determinata query svolge un ruolo cruciale per le prestazioni complessive. Le strategie di routing esistenti rientrano generalmente in due categorie: il routing delle prestazioni, che bilancia latenza e costo tra modelli di diverse dimensioni, e il routing dei task, che assegna le query a esperti di dominio specifici per migliorare l'accuratezza. Nelle applicazioni aziendali reali, il routing dei task è più adatto; tuttavia, la maggior parte degli approcci esistenti si basa su decisioni statiche a etichetta singola, che introducono due limitazioni principali: (i) difficoltà nell'integrare perfettamente nuovi agenti con l'espansione dei domini aziendali e (ii) conflitti di routing causati da capacità degli agenti sovrapposte, che alla fine degradano accuratezza e robustezza. Per affrontare queste sfide, proponiamo TCAndon-Router (TCAR): un router di reasoning adattivo per la collaborazione multi-agente. A differenza dei router tradizionali, TCAR supporta l'onboarding dinamico degli agenti e genera prima una catena di ragionamento in linguaggio naturale prima di prevedere un insieme di agenti candidati in grado di gestire la query. Inoltre, progettiamo una pipeline di esecuzione collaborativa in cui gli agenti selezionati producono risposte in modo indipendente, che vengono poi aggregate e raffinate in un'unica risposta di alta qualità da un Agente di Raffinamento dedicato. Esperimenti su dataset pubblici e dati aziendali reali dimostrano che TCAR migliora significativamente l'accuratezza del routing, riduce i conflitti di routing e rimane robusto in scenari ambigui. Abbiamo rilasciato TCAR all'indirizzo https://huggingface.co/tencent/TCAndon-Router per supportare la futura ricerca sul routing multi-agente spiegabile e collaborativo.

English

Multi-Agent Systems(MAS) have become a powerful paradigm for building high performance intelligent applications. Within these systems, the router responsible for determining which expert agents should handle a given query plays a crucial role in overall performance. Existing routing strategies generally fall into two categories: performance routing, which balances latency and cost across models of different sizes, and task routing, which assigns queries to domain-specific experts to improve accuracy. In real-world enterprise applications, task routing is more suitable; however, most existing approaches rely on static single-label decisions, which introduce two major limitations: (i) difficulty in seamlessly integrating new agents as business domains expand, and (ii) routing conflicts caused by overlapping agent capabilities, ultimately degrading accuracy and robustness.To address these challenges, we propose TCAndon-Router(TCAR): an adaptive reasoning router for multi-agent collaboration. Unlike traditional routers, TCAR supports dynamic agent onboarding and first generates a natural-language reasoning chain before predicting a set of candidate agents capable of handling the query. In addition, we design a collaborative execution pipeline in which selected agents independently produce responses, which are then aggregated and refined into a single high-quality response by a dedicated Refining Agent.Experiments on public datasets and real enterprise data demonstrate that TCAR significantly improves routing accuracy, reduces routing conflicts, and remains robust in ambiguous scenarios. We have released TCAR at https://huggingface.co/tencent/TCAndon-Router to support future research on explainable and collaborative multi-agent routing.