CADMAS-CTX：面向多智能体委托的上下文能力校准

本文提出 CADMAS-CTX 框架，挑战了智能体能力固定不变的假设，主张能力依赖于任务上下文。该方法为每个智能体在不同上下文情境下维护贝塔后验分布，以捕捉稳定经验，并结合不确定性惩罚进行风险感知的任务委托。理论证明在上下文异构条件下，感知上下文的 routing 策略优于静态策略。在 GAIA 和 SWE-bench 基准上的实验表明，该方法显著提升了多智能体协作的准确率与问题解决率，证明了上下文校准对动态技能评估的关键作用。