TacoMAS: Coevolução em Tempo de Teste da Topologia e Capacidade em Sistemas Multiagente Baseados em LLM

Resumo

Os sistemas multiagentes (MAS) emergiram como um paradigma promissor para a resolução de tarefas complexas. Trabalhos recentes exploraram MAS auto-evolutivos que otimizam automaticamente as capacidades dos agentes ou as topologias de comunicação. No entanto, os métodos existentes ou aprendem uma topologia que permanece fixa durante a inferência, ou adaptam apenas a topologia ou a capacidade durante a inferência. Demonstramos, empiricamente e teoricamente, que uma evolução eficaz em tempo de teste requer a adaptação conjunta de ambos os eixos, mas em diferentes escalas temporais: as capacidades devem ser atualizadas rapidamente para lidar com subtarefas emergentes, enquanto a topologia deve evoluir mais lentamente para preservar a estabilidade da coordenação. Em seguida, apresentamos o TacoMAS, uma estrutura de coevolução em tempo de teste para MAS dinâmicos. O TacoMAS formula a inferência de MAS como uma tarefa de adaptação online de grafos, onde os nós representam agentes com capacidades específicas de papéis e as arestas definem sua topologia de comunicação. Durante a inferência, um loop rápido de capacidades atualiza a expertise dos agentes usando feedback ao nível da trajetória, enquanto um loop lento de topologia orientado por meta-LLM realiza operações de nascimento-morte de agentes no MAS, incluindo edição de arestas, adição de agentes e remoção de agentes. Mostramos ainda que este design rápido-lento direciona a evolução do MAS para um equilíbrio estável condicionado à tarefa. Experimentos em quatro benchmarks demonstram que o TacoMAS supera quase 20 baselines multiagente, alcançando uma melhoria média de 13,3% em relação ao baseline mais forte. Os códigos estão disponíveis em 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.