AgentDropoutV2：通过测试时修正或拒绝剪枝优化多智能体系统中的信息流

多智能体系统虽擅长复杂推理，但易受个体错误信息的级联影响。现有方案常依赖刚性结构工程或昂贵微调，限制了部署适应性。本文提出 AgentDropoutV2，一种无需重训练的测试时“修正或拒绝”剪枝框架。该方法作为主动防火墙，拦截智能体输出，利用检索增强修正器基于失败驱动指标池迭代纠错，并剪枝不可修复输出以阻断错误传播。在多项数学基准测试中，该系统平均准确率提升 6.3%，展现出强大的泛化性与自适应能力，能根据任务难度动态调整修正力度。