多智能体 LLM 工作流的推理时图工程

arXiv:2609.05774v1 公告类型：新发布 摘要：近期的多智能体 LLM 系统日益依赖图结构通信来协调各个专业化 Agent。本文从图工程（graph-engineering）的视角重新审视多智能体编排问题：与其优化一个静态拓扑，我们综合生成一个以任务为条件的时间工作流图（temporal workflow graph），联合指定 Agent 之间的连接关系以及边级别的通信语义。我们提出 ReActNet，这是一个无需训练的框架，能够将一个查询和一组角色专业化的 Agent 编译为一系列有向通信图。每个图快照对应一个推理阶段，每条边都携带着一条自然语言指令，明确规定源 Agent 应向目标 Agent 提供的信息。随后，编译得到的时间图通过结构化的消息传递（message passing）来执行：Agent 通过整合其先前状态与由控制器分配的邻居消息来更新自身的推理状态，最终由聚合器将所有状态综合为答案。该设计将图编译与图执行分离开来，使得多智能体协调过程变得显式、可检查且以任务为条件，同时无需强化学习或基于梯度的拓扑优化。在知识推理、数学问题求解、代码生成以及 GAIA 风格的助手任务中，ReActNet 相比固定拓扑和可学习拓扑的基线方法均有稳定提升，同时保持了具有竞争力的推理成本。这些结果表明，高效的多智能体编排不仅取决于哪些 Agent 之间进行通信，更取决于如何构建可执行的工作流图，以编码推理过程中信息应当何时流动、为何流动以及如何流动。