SwarmSys: Agenti Ispirati allo Sciame Decentralizzati per Ragionamento Scalabile e Adattivo

SwarmSys: Decentralized Swarm-Inspired Agents for Scalable and Adaptive Reasoning

October 11, 2025

Autori: Ruohao Li, Hongjun Liu, Leyi Zhao, Zisu Li, Jiawei Li, Jiajun Jiang, Linning Xu, Chen Zhao, Mingming Fan, Chen Liang

cs.AI

Abstract

I modelli linguistici di grandi dimensioni (LLM) hanno dimostrato notevoli capacità di ragionamento. Tuttavia, i framework multi-agente esistenti spesso si basano su ruoli fissi o su un controllo centralizzato, limitando la scalabilità e l'adattabilità nel ragionamento a lungo termine. Introduciamo SwarmSys, un framework a ciclo chiuso per il ragionamento multi-agente distribuito ispirato all'intelligenza di sciame. La coordinazione in SwarmSys emerge attraverso interazioni iterative tra tre ruoli specializzati, Esploratori, Lavoratori e Validatori, che ciclicamente passano attraverso fasi di esplorazione, sfruttamento e validazione. Per abilitare una collaborazione scalabile e adattiva, integriamo profili adattivi di agenti ed eventi, un matching probabilistico basato su embedding e un meccanismo di rinforzo ispirato ai feromoni, supportando l'allocazione dinamica dei compiti e la convergenza auto-organizzante senza supervisione globale. In compiti di ragionamento simbolico, sintesi di ricerca e programmazione scientifica, SwarmSys supera costantemente i benchmark, migliorando sia l'accuratezza che la stabilità del ragionamento. Questi risultati evidenziano la coordinazione ispirata allo sciame come un paradigma promettente per il ragionamento multi-agente scalabile, robusto e adattivo, suggerendo che la scalabilità della coordinazione potrebbe rivaleggiare con la scalabilità del modello nel far progredire l'intelligenza degli LLM.

English

Large language model (LLM) agents have shown remarkable reasoning abilities. However, existing multi-agent frameworks often rely on fixed roles or centralized control, limiting scalability and adaptability in long-horizon reasoning. We introduce SwarmSys, a closed-loop framework for distributed multi-agent reasoning inspired by swarm intelligence. Coordination in SwarmSys emerges through iterative interactions among three specialized roles, Explorers, Workers, and Validators, that continuously cycle through exploration, exploitation, and validation. To enable scalable and adaptive collaboration, we integrate adaptive agent and event profiles, embedding-based probabilistic matching, and a pheromone-inspired reinforcement mechanism, supporting dynamic task allocation and self-organizing convergence without global supervision. Across symbolic reasoning, research synthesis, and scientific programming tasks, SwarmSys consistently outperforms baselines, improving both accuracy and reasoning stability. These findings highlight swarm-inspired coordination as a promising paradigm for scalable, robust, and adaptive multi-agent reasoning, suggesting that coordination scaling may rival model scaling in advancing LLM intelligence.