AgentConductor: Эволюция топологии для генерации конкурсного кода в многозадачной среде

AgentConductor: Topology Evolution for Multi-Agent Competition-Level Code Generation

February 19, 2026

Авторы: Siyu Wang, Ruotian Lu, Zhihao Yang, Yuchao Wang, Yanzhou Zhang, Lei Xu, Qimin Xu, Guojun Yin, Cailian Chen, Xinping Guan

cs.AI

Аннотация

Многоагентные системы (MAS), управляемые большими языковыми моделями (LLM), координируют специализированных агентов через предопределенные топологии взаимодействия и показали перспективность для решения сложных задач, таких как генерация кода уровня соревнований. Недавние исследования демонстрируют, что тщательно разработанные рабочие процессы и графы коммуникации между агентами могут значительно улучшить производительность генерации кода за счет совместного рассуждения. Однако существующие методы не адаптируют плотность топологии к сложности задачи и не уточняют топологию итеративно в рамках одного экземпляра с использованием обратной связи от выполнения, что приводит к избыточной коммуникации и узким местам в производительности. Для решения этих проблем мы предлагаем AgentConductor: оптимизированную с помощью обучения с подкреплением MAS, ядром которой является агент-оркестратор на основе LLM, что позволяет осуществлять сквозное динамическое формирование топологий взаимодействия, управляемое обратной связью. Для каждого запроса AgentConductor выводит роли агентов и сложность задачи, а затем строит адаптированную к задаче, учитывающую плотность слоистую направленную ациклическую графовую (DAG) топологию, основанную на двух ключевых инновациях. Во-первых, мы разрабатываем новую функцию топологической плотности, которая отражает математические характеристики многоагентных взаимодействий с учетом коммуникации. Во-вторых, мы используем разделение на интервалы сложности, чтобы избежать чрезмерного упрощения для точного измерения верхней границы топологической плотности на каждом уровне сложности и более детального управления. Экспериментально, на трех наборах данных для кода уровня соревнований и двух базовых наборах данных, AgentConductor достигает наилучшей точности, превосходя самый сильный базовый метод до 14.6% по метрике pass@1, на 13% по снижению плотности и на 68% по сокращению токенных затрат.

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.