SwarmSys: Agentes Descentralizados Inspirados em Enxames para Raciocínio Escalável e Adaptativo

SwarmSys: Decentralized Swarm-Inspired Agents for Scalable and Adaptive Reasoning

October 11, 2025

Autores: Ruohao Li, Hongjun Liu, Leyi Zhao, Zisu Li, Jiawei Li, Jiajun Jiang, Linning Xu, Chen Zhao, Mingming Fan, Chen Liang

cs.AI

Resumo

Agentes de modelos de linguagem de grande escala (LLMs) demonstraram habilidades de raciocínio notáveis. No entanto, os frameworks multiagentes existentes frequentemente dependem de papéis fixos ou controle centralizado, limitando a escalabilidade e adaptabilidade em raciocínios de longo prazo. Apresentamos o SwarmSys, um framework de loop fechado para raciocínio multiagente distribuído inspirado na inteligência de enxame. A coordenação no SwarmSys emerge por meio de interações iterativas entre três papéis especializados: Exploradores, Trabalhadores e Validadores, que ciclicamente alternam entre exploração, explotação e validação. Para permitir colaboração escalável e adaptativa, integramos perfis adaptativos de agentes e eventos, correspondência probabilística baseada em embeddings e um mecanismo de reforço inspirado em feromônios, suportando alocação dinâmica de tarefas e convergência auto-organizada sem supervisão global. Em tarefas de raciocínio simbólico, síntese de pesquisa e programação científica, o SwarmSys consistentemente supera as abordagens de referência, melhorando tanto a precisão quanto a estabilidade do raciocínio. Esses resultados destacam a coordenação inspirada em enxames como um paradigma promissor para raciocínio multiagente escalável, robusto e adaptativo, sugerindo que a escalabilidade da coordenação pode rivalizar com a escalabilidade de modelos no avanço da inteligência dos LLMs.

English

Large language model (LLM) agents have shown remarkable reasoning abilities. However, existing multi-agent frameworks often rely on fixed roles or centralized control, limiting scalability and adaptability in long-horizon reasoning. We introduce SwarmSys, a closed-loop framework for distributed multi-agent reasoning inspired by swarm intelligence. Coordination in SwarmSys emerges through iterative interactions among three specialized roles, Explorers, Workers, and Validators, that continuously cycle through exploration, exploitation, and validation. To enable scalable and adaptive collaboration, we integrate adaptive agent and event profiles, embedding-based probabilistic matching, and a pheromone-inspired reinforcement mechanism, supporting dynamic task allocation and self-organizing convergence without global supervision. Across symbolic reasoning, research synthesis, and scientific programming tasks, SwarmSys consistently outperforms baselines, improving both accuracy and reasoning stability. These findings highlight swarm-inspired coordination as a promising paradigm for scalable, robust, and adaptive multi-agent reasoning, suggesting that coordination scaling may rival model scaling in advancing LLM intelligence.