エージェントは何を言うべきか？ - 効率的なマルチエージェントシステムのための行動状態通信

要旨

大規模言語モデルに基づくマルチエージェントシステム（MAS）は、通常、役割、パイプライン、ターンスケジュールに従って組織化されるが、エージェント間でやり取りされるコンテンツは、しばしば制約のない自然言語のままである。しかし、この自由形式の通信は、トークン使用量を急速に増加させ、共有コンテキストウィンドウを消費し、最終的にはシステム性能と推論コストの両方に悪影響を及ぼす。我々は、2種類のMASトポロジにおいて、5つの一般的なエージェント間通信戦略を分析し、固定戦略が普遍的に最適であることはないことを見出した。むしろ、効果的なエージェント間メッセージは、下流のエージェントが必要とするアクション中心の情報を一貫して保持している。この知見に基づき、我々はPACT（Protocolized Action-state Communication and Transmission：プロトコル化されたアクション状態通信と伝送）を提案する。これは、エージェント間通信を公開状態更新問題として捉え、各エージェントの生の出力を、共有履歴に入る前にコンパクトなアクション状態レコードに投影するものである。異なるMASトポロジにおいて、PACTは一貫して性能とコストのトレードオフを改善し、大幅に少ないトークンで同等以上のタスク性能を達成する。この利点はプロダクションコーディング環境にも拡張される。PACTはOpenHandsにおいて、解決された問題あたりのトークン数が10%減少した状態で解決率を向上させ、SWE-agentでは入力トークンを半減しつつ解決率に影響を与えない。我々のコードはhttps://github.com/iNLP-Lab/PACTで公開されている。

English

Multi-agent systems (MAS) built on large language models are typically organized around roles, pipelines, and turn schedules, while the content that agents pass to one another is often left as unconstrained natural language. However, this free-form communication can rapidly inflate token usage, consume the shared context window, and ultimately affect both system performance and inference cost. We analyze five common inter-agent communication strategies across two MAS topologies, finding that no fixed strategy is universally optimal. Instead, effective inter-agent messages consistently preserve action-centered information needed by downstream agents. Building on this, we propose the PACT (Protocolized Action-state Communication and Transmission), which treats inter-agent communication as a public state-update problem and projects each raw agent output into a compact action-state record before it enters shared history. Across different MAS topologies, PACT consistently improves the performance-cost trade-off, achieving comparable or stronger task performance with substantially fewer tokens. The gains extend to production coding harnesses: PACT lifts OpenHands' resolve rate at -10% tokens-per-resolved, and is resolve-neutral on SWE-agent while halving input tokens. Our code is publicly available at https://github.com/iNLP-Lab/PACT.