AgentConductor: Evolução de Topologia para Geração de Código em Nível Competitivo para Múltiplos Agentes
AgentConductor: Topology Evolution for Multi-Agent Competition-Level Code Generation
February 19, 2026
Autores: Siyu Wang, Ruotian Lu, Zhihao Yang, Yuchao Wang, Yanzhou Zhang, Lei Xu, Qimin Xu, Guojun Yin, Cailian Chen, Xinping Guan
cs.AI
Resumo
Sistemas multiagente (SMA) orientados por modelos de linguagem de grande escala (LLM) coordenam agentes especializados por meio de topologias de interação predefinidas e têm mostrado potencial para tarefas complexas, como a geração de código em nível competitivo. Estudos recentes demonstram que fluxos de trabalho multiagente e grafos de comunicação cuidadosamente projetados podem melhorar significativamente o desempenho da geração de código ao aproveitar o raciocínio colaborativo. No entanto, os métodos existentes não adaptam a densidade da topologia à dificuldade da tarefa nem refinam iterativamente a topologia dentro de uma instância usando feedback de execução, o que leva a comunicação redundante e gargalos de desempenho. Para resolver essas questões, propomos o AgentConductor: um SMA otimizado por aprendizado por reforço com um agente orquestrador baseado em LLM como núcleo, que permite a geração dinâmica de topologias de interação orientada por feedback de ponta a ponta. Para cada consulta, o AgentConductor infere os papéis dos agentes e a dificuldade da tarefa, e então constrói uma topologia de grafo acíclico direcionado (DAG) em camadas, adaptada à tarefa e consciente da densidade, sustentada por duas inovações principais. Primeiro, projetamos uma nova função de densidade topológica que captura caracterizações matemáticas conscientes da comunicação das interações multiagente. Segundo, adotamos a partição de intervalos de dificuldade para evitar a poda excessiva, permitindo uma medição precisa do limite superior de densidade topológica por nível de dificuldade e um controle mais refinado. Empiricamente, em três conjuntos de dados de código de nível competitivo e dois fundamentais, o AgentConductor alcança precisão de última geração, superando a linha de base mais forte em até 14,6% na precisão pass@1, 13% na redução de densidade e 68% na redução do custo de tokens.
English
Large language model(LLM)-driven multi-agent systems(MAS) coordinate specialized agents through predefined interaction topologies and have shown promise for complex tasks such as competition-level code generation. Recent studies demonstrate that carefully designed multi-agent workflows and communication graphs can significantly improve code generation performance by leveraging collaborative reasoning. However, existing methods neither adapt topology density to task difficulty nor iteratively refine the topology within an instance using execution feedback, which leads to redundant communication and performance bottlenecks. To address these issues, we propose AgentConductor: a reinforcement learning-optimized MAS with an LLM-based orchestrator agent as its core, which enables end-to-end feedback-driven dynamic generation of interaction topologies. For each query, AgentConductor infers agent roles and task difficulty, then constructs a task-adapted, density-aware layered directed acyclic graph (DAG) topology, underpinned by two key innovations. First, we design a novel topological density function that captures communication-aware mathematical characterizations of multi-agent interactions. Second, we adopt difficulty interval partitioning to avoid excessive pruning for precise topological density upper bound measurement per difficulty level and finer-grained control. Empirically, across three competition-level and two foundational code datasets, AgentConductor achieves state-of-the-art accuracy, outperforming the strongest baseline by up to 14.6% in pass@1 accuracy, 13% in density reduction, and 68% in token cost reduction.