面向工具路由大语言模型的突触汇编感知联邦知识交换

针对基于大语言模型（LLM）的智能体在联邦学习中面临的通信成本高、数据异构及工具使用差异等挑战，本文提出 Synapse 框架。该框架通过训练共享的全局工具使用行为知识模型，使客户端智能体在本地学习工具模式，并通过协调器传输伪影进行联邦聚合。系统更新并重新分发全局工具汇编，以实现稳定的工具选择收敛。Synapse 利用模板化表示、嵌入检索结合 LLM 重排序及自适应掩码技术，在限制信息泄露的同时保持效用。实验表明，相比权重或提示共享方法，Synapse 显著提升了多智能体系统中的工具使用效率并降低了通信开销。