TCAndon-Router: Адаптивный маршрутизатор логических выводов для многопользовательского взаимодействия агентов

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

January 8, 2026

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

cs.AI

Аннотация

Многоагентные системы (MAS) стали мощной парадигмой для создания высокопроизводительных интеллектуальных приложений. В этих системах маршрутизатор, отвечающий за определение того, какие экспертные агенты должны обрабатывать конкретный запрос, играет ключевую роль в общей производительности. Существующие стратегии маршрутизации обычно делятся на две категории: маршрутизация производительности, которая балансирует задержку и стоимость между моделями разного размера, и маршрутизация задач, которая назначает запросы узкоспециализированным экспертам для повышения точности. В реальных корпоративных приложениях маршрутизация задач является более предпочтительной; однако большинство существующих подходов полагаются на статические однозначные решения, которые влекут два основных ограничения: (i) сложность бесшовной интеграции новых агентов по мере расширения бизнес-доменов и (ii) конфликты маршрутизации, вызванные перекрывающимися возможностями агентов, что в конечном итоге снижает точность и надежность. Для решения этих проблем мы предлагаем TCAndon-Router (TCAR): адаптивный маршрутизатор с логическим выводом для многoагентного взаимодействия. В отличие от традиционных маршрутизаторов, TCAR поддерживает динамическое подключение агентов и сначала генерирует цепочку рассуждений на естественном языке перед прогнозированием набора кандидатов-агентов, способных обработать запрос. Кроме того, мы разработали конвейер совместного выполнения, в котором выбранные агенты независимо формируют ответы, которые затем агрегируются и улучшаются выделенным Агентом-Редактором в единый высококачественный ответ. Эксперименты на публичных наборах данных и реальных корпоративных данных демонстрируют, что TCAR значительно повышает точность маршрутизации, снижает количество конфликтов маршрутизации и сохраняет надежность в неоднозначных сценариях. Мы опубликовали TCAR по адресу https://huggingface.co/tencent/TCAndon-Router для поддержки будущих исследований в области объяснимой и коллаборативной многoагентной маршрутизации.

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.