AgentConductor: Evoluzione Topologica per la Generazione di Codice a Livello Competitivo in Ambienti Multi-Agente
AgentConductor: Topology Evolution for Multi-Agent Competition-Level Code Generation
February 19, 2026
Autori: Siyu Wang, Ruotian Lu, Zhihao Yang, Yuchao Wang, Yanzhou Zhang, Lei Xu, Qimin Xu, Guojun Yin, Cailian Chen, Xinping Guan
cs.AI
Abstract
I sistemi multi-agente (MAS) guidati da modelli linguistici di grandi dimensioni (LLM) coordinano agenti specializzati attraverso topologie di interazione predefinite e hanno mostrato potenziale per compiti complessi come la generazione di codice a livello competitivo. Studi recenti dimostrano che workflow multi-agente e grafi di comunicazione progettati accuratamente possono migliorare significativamente le prestazioni di generazione del codice sfruttando il ragionamento collaborativo. Tuttavia, i metodi esistenti non adattano la densità topologica alla difficoltà del compito né affinano iterativamente la topologia all'interno di un'istanza utilizzando feedback di esecuzione, il che porta a comunicazioni ridondanti e colli di bottiglia prestazionali. Per affrontare questi problemi, proponiamo AgentConductor: un MAS ottimizzato con apprendimento per rinforzo che ha al suo centro un agente orchestratore basato su LLM, il quale abilita la generazione dinamica end-to-end guidata da feedback delle topologie di interazione. Per ogni query, AgentConductor deduce i ruoli degli agenti e la difficoltà del compito, per poi costruire una topologia a grafo aciclico diretto (DAG) stratificata, adattata al compito e consapevole della densità, supportata da due innovazioni chiave. In primo luogo, progettiamo una nuova funzione di densità topologica che cattura caratterizzazioni matematiche consapevoli della comunicazione per le interazioni multi-agente. In secondo luogo, adottiamo una partizione per intervalli di difficoltà per evitare una potatura eccessiva, permettendo una misurazione precisa del limite superiore di densità topologica per livello di difficoltà e un controllo più granulare. Empiricamente, su tre dataset di codice a livello competitivo e due dataset di codice fondamentali, AgentConductor raggiunge un'accuratezza allo stato dell'arte, superando il baseline più forte fino al 14,6% in accuratezza pass@1, del 13% nella riduzione della densità e del 68% nella riduzione del costo dei token.
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.