TacoMAS: LLMベースのマルチエージェントシステムにおけるテスト時のトポロジーと能力の共進化

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

May 10, 2026

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

cs.AI

要旨

マルチエージェントシステム（MAS）は、複雑なタスクを解決するための有望なパラダイムとして登場してきた。最近の研究では、エージェントの能力や通信トポロジーを自動的に最適化する自己進化型MASが探求されている。しかしながら、既存手法は推論時に固定されたままのトポロジーを学習するか、推論中にトポロジーまたは能力のみを適応させるかのいずれかである。我々は実証的および理論的に、効果的なテスト時間進化には両軸を共同で適応させる必要があるが、異なる時間スケールで行う必要があることを示す。能力は出現するサブタスクに対処するために迅速に更新されるべきであり、一方トポロジーは協調の安定性を維持するためによりゆっくりと進化すべきである。そこで我々は、動的MASのためのテスト時間共進化フレームワークであるTacoMASを紹介する。TacoMASは、MAS推論をオンライングラフ適応のタスクとして定式化し、ノードは役割固有の能力を持つエージェントを表し、エッジはそれらの通信トポロジーを定義する。推論中、高速能力ループは軌跡レベルフィードバックを用いてエージェントの専門知識を更新し、一方低速メタLLM駆動トポロジーループは、エッジ編集、エージェント追加、エージェント削除を含むエージェントの生成消滅操作をMAS上で実行する。さらに我々は、この高速-低速設計がMASの進化をタスク条件付き安定均衡へと導くことを示す。4つのベンチマークでの実験により、TacoMASが約20のマルチエージェントベースラインを上回り、最強のベースラインに対して平均13.3%の改善を達成することを実証する。コードは https://github.com/chenxu2-gif/TacoMAS-MultiAgent で公開されている。

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.