TCAndon-Router: Adaptieve Redeneerrouter voor Multi-Agent Samenwerking

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

January 8, 2026

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

cs.AI

Samenvatting

Multi-Agent Systems (MAS) zijn een krachtig paradigma geworden voor het bouwen van hoogwaardige intelligente toepassingen. Binnen deze systemen speelt de router, die verantwoordelijk is voor het bepalen welke expert-agents een bepaalde query moeten afhandelen, een cruciale rol in de algehele prestaties. Bestaande routeringsstrategieën vallen grofweg in twee categorieën: prestatieroutering, die latentie en kosten afweegt tussen modellen van verschillende groottes, en taakroutering, die queries toewijst aan domeinspecifieke experts om de nauwkeurigheid te verbeteren. In real-world enterprise-toepassingen is taakroutering geschikter; de meeste bestaande benaderingen vertrouwen echter op statische enkelvoudige-labelbeslissingen, wat twee belangrijke beperkingen introduceert: (i) moeite om naadloos nieuwe agents te integreren naarmate bedrijfsdomeinen uitbreiden, en (ii) routeringsconflicten veroorzaakt door overlappende agentcapaciteiten, wat uiteindelijk de nauwkeurigheid en robuustheid aantast. Om deze uitdagingen aan te pakken, stellen we TCAndon-Router (TCAR) voor: een adaptieve redeneerrouter voor multi-agent samenwerking. In tegenstelling tot traditionele routers ondersteunt TCAR dynamische integratie van agents en genereert eerst een redeneerketen in natuurlijke taal voordat het een set kandidaat-agents voorspelt die de query kunnen afhandelen. Daarnaast ontwerpen we een collaboratief uitvoeringsproces waarin geselecteerde agents onafhankelijk antwoorden produceren, die vervolgens worden samengevoegd en verfijnd tot één hoogwaardig antwoord door een speciale Refining Agent. Experimenten op publieke datasets en echte bedrijfsgegevens tonen aan dat TCAR de routeringsnauwkeurigheid aanzienlijk verbetert, routeringsconflicten vermindert en robuust blijft in ambigue scenario's. We hebben TCAR vrijgegeven op https://huggingface.co/tencent/TCAndon-Router om toekomstig onderzoek naar verklaarbare en collaboratieve multi-agent routering te ondersteunen.

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.