ST-EVO：面向生成式时空演化的多智能体通信拓扑

基于大语言模型（LLM）的多智能体系统（MAS）已成为实现协作智能的有效方法，并吸引了广泛的研究兴趣。其中，自演化的MAS作为一种更灵活和强大的技术路线，能够构建任务适应的工作流或通信拓扑，而非依赖于预定义的静态结构模板。当前的自演化MAS主要关注空间演化或时间演化范式，仅考虑单一维度的演化，未能充分激发LLMs的协作能力。本文从一个新的时空视角出发，提出ST-EVO，该方法通过基于流匹配的调度器支持对话级通信调度。为了实现精确的时空调度，ST-EVO还能够感知MAS的不确定性，并具备自我反馈能力以从积累的经验中学习。在九个基准测试中的大量实验表明，ST-EVO表现出最先进的性能，准确率提升了约5%至25%。