面向实时战略场景高效决策的自进化多智能体框架

针对大语言模型在实时战略（RTS）场景中面临的速度与质量权衡难题，本文提出了 SEMA（自进化多智能体）框架。该协作式多智能体系统通过剧集内评估和跨剧集分析自适应校准模型偏差，实现自我进化。此外，框架引入基于结构熵的动态观察剪枝以拓扑化建模游戏状态，显著降低推理延迟；并开发融合微观轨迹、宏观经验及分层领域知识的混合知识记忆机制，增强战略适应性与决策一致性。实验表明，SEMA 在多款《星际争霸 II》地图中胜率更高，且平均决策延迟降低超 50%。