TacoMAS: Testtijd co-evolutie van topologie en capaciteit in op LLM gebaseerde multi-agentsystemen

Samenvatting

Multi-agentsystemen (MAS) zijn naar voren gekomen als een veelbelovend paradigma voor het oplossen van complexe taken. Recent werk heeft zich gericht op zelf-evoluerende MAS die automatisch agentcapaciteiten of communicatietopologieën optimaliseren. Bestaande methoden leren echter ofwel een topologie die tijdens de inferentie vast blijft, of passen alleen de topologie of de capaciteit tijdens de inferentie aan. We tonen empirisch en theoretisch aan dat effectieve test-time evolutie vereist dat beide assen gezamenlijk worden aangepast, maar op verschillende tijdschalen: capaciteiten moeten snel worden bijgewerkt om opkomende subtaken aan te kunnen, terwijl de topologie langzamer moet evolueren om de stabiliteit van de coördinatie te behouden. Vervolgens introduceren we TacoMAS, een test-time co-evolutie raamwerk voor dynamische MAS. TacoMAS formuleert MAS-inferentie als een taak van online graafaanpassing, waarbij knopen agenten vertegenwoordigen met rolspecifieke capaciteiten en randen hun communicatietopologie definiëren. Tijdens de inferentie werkt een snelle capaciteitslus de expertise van agenten bij met behulp van traject-level feedback, terwijl een langzame, door meta-LLM aangedreven topologielus geboorte-doodoperaties van agenten op MAS uitvoert, waaronder randbewerking, toevoeging van agenten en verwijdering van agenten. We tonen verder aan dat dit snel-langzaam ontwerp de MAS-evolutie stuurt naar een taakgeconditioneerd stabiel evenwicht. Experimenten op vier benchmarks tonen aan dat TacoMAS bijna 20 multi-agent-baselines overtreft, met een gemiddelde verbetering van 13,3% ten opzichte van de sterkste baseline. De codes zijn beschikbaar op https://github.com/chenxu2-gif/TacoMAS-MultiAgent.

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.