ai, ml,

一分钟读论文:《MANTA:面向自演化多智能体系统的网络拓扑自适应》

Unbug By Unbug Follow Aug 01, 2026 · 1 min read
一分钟读论文:《MANTA:面向自演化多智能体系统的网络拓扑自适应》
Share this

哥伦比亚大学和中央研究院联合团队发表的论文《MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems》提出了一种推理时拓扑自适应框架,使多Agent系统的通信结构能够在执行过程中动态演化。该框架在五个基准测试上平均得分74.0,比最强基线高出5.8个百分点,其中PlanCraft任务取得最佳结果。

核心问题:固定拓扑的局限性

现有大多数多智能体系统将通信拓扑视为固定的设计选择或离线优化目标——一旦部署完成,Agent之间的连接关系、信息流动路径和执行顺序就不再改变。这种静态假设在简单任务中或许足够,但在复杂、动态的环境中暴露出明显不足:当当前组织结构无法有效处理子任务时,系统缺乏自我调整的能力。

MANTA 的核心洞察是:通信拓扑本身应该成为推理时的可优化变量,而非不可变的系统参数。这一转变将多Agent系统的协作模式从”预先设计-固定执行”升级为”持续评估-动态调整”。

MANTA 框架架构

MANTA 由四个核心组件构成。拓扑表示将多Agent系统的通信结构形式化为可操作的图结构,使拓扑变化可以被精确描述和追踪。编排循环实现查询条件规划、回合执行以及追踪审计与修复的闭环流程。双时域Playbook记忆跨运行周期积累拓扑规划技能,使系统能够从历史经验中学习哪些拓扑调整在哪些任务类型上更有效。确定性审计分类法用于识别协作轨迹中的问题模式,为拓扑自适应提供触发信号。

五种结构修改操作构成了拓扑自适应的具体手段:修改Agent角色以重新分配职责、调整通信链接以改变信息流动路径、优化执行顺序以提升并行效率、控制信息可见性以减少噪声干扰、以及重构验证路径以增强结果可靠性。这五种操作覆盖了多Agent系统协作结构的主要维度,使拓扑自适应既具有充分的表达能力,又保持有界可控。

实验评估与消融分析

实验覆盖五大任务类型:信息检索、工具使用、规划、工作流执行和数学推理。MANTA 在五个基准测试上的平均得分为74.0,比最强基线高出5.8个百分点,其中PlanCraft任务取得最佳结果。

消融实验进一步验证了各组件的有效性:突变预算影响分析表明拓扑调整的频率与幅度需要平衡——过少的调整无法适应复杂任务,过多的调整则引入不必要的开销;长期Playbook可迁移性证明跨运行积累的拓扑规划技能能够在不同任务类型间有效迁移;Token使用效率分析显示MANTA通过更高效的协作结构反而降低了整体计算成本。

References


Related
Featured