通过基于熵的理解评估和经验检索实现异构LLM多智能体系统中的引导协作

随着大型语言模型（LLMs）在推理、规划和复杂任务生成方面的突破，人工智能系统正从孤立的单智能体架构向具有协作智能的多智能体系统转变。然而，在异构多智能体系统（HMAS）中，智能体之间的能力差异导致了一致性的认知问题，强弱模型无法有效贡献。本文将协作定义为强弱系统，并通过全面实验揭示了一个反直觉现象：强弱协作可能表现不如弱弱组合，表明认知不匹配是限制异构协作的关键瓶颈。为克服这些挑战，我们提出了一种基于熵的自适应引导框架，动态地根据每个智能体的认知状态调整引导强度。该框架通过多维熵度量（包括表达、不确定性、结构、一致性和相关性）量化弱智能体的理解能力，并以轻度、中度和重度三种级别自适应调整引导强度。此外，引入了检索增强生成（RAG）机制，保留成功的协作经验，实现即时适应和长期学习。在GSM8K、MBPP和CVRP三个基准数据集上的广泛实验表明，我们的方法显著提升了异构协作的有效性和稳定性。结果表明，自适应引导不仅缓解了认知不平衡，还为更稳健、协作的多智能体智能提供了可扩展的路径。