TacoMAS: Коэволюция топологии и способностей на этапе тестирования в многоагентных системах на основе LLM

TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems

May 10, 2026

Авторы: Chen Xu, Yicheng Hu, Ruizi Wang, Xinyu Lin, Wenjie Wang, Dongrui Liu, Fuli Feng

cs.AI

Аннотация

Мультиагентные системы (МАС) стали перспективной парадигмой для решения сложных задач. В недавних работах исследовались саморазвивающиеся МАС, которые автоматически оптимизируют возможности агентов или коммуникационные топологии. Однако существующие методы либо обучают топологию, которая остаётся фиксированной на этапе вывода, либо адаптируют во время вывода только топологию или только возможности. Мы эмпирически и теоретически показываем, что эффективная эволюция во время тестирования требует совместной адаптации обеих осей, но на разных временных масштабах: возможности должны обновляться быстро для обработки возникающих подзадач, в то время как топология должна эволюционировать медленнее для сохранения стабильности координации. Затем мы представляем TacoMAS — фреймворк коэволюции во время тестирования для динамических МАС. TacoMAS формулирует вывод МАС как задачу онлайн-адаптации графа, где узлы представляют агентов с возможностями, специфичными для их ролей, а рёбра определяют их коммуникационную топологию. Во время вывода быстрый цикл возможностей обновляет экспертные знания агентов, используя обратную связь на уровне траекторий, в то время как медленный цикл топологии, управляемый мета-LLM, выполняет операции рождения-смерти агентов в МАС, включая редактирование рёбер, добавление агентов и удаление агентов. Мы также демонстрируем, что такая конструкция «быстро-медленно» приводит эволюцию МАС к устойчивому равновесию, обусловленному задачей. Эксперименты на четырёх бенчмарках показывают, что TacoMAS превосходит почти 20 мультиагентных базовых методов, достигая среднего улучшения на 13,3% по сравнению с самым сильным базовым методом. Коды опубликованы по адресу 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.