通过编排轨迹实现基于大语言模型的多智能体系统强化学习

随着大语言模型智能体从独立工具用户演变为协作团队，强化学习需优化工作的生成、委托、通信、聚合及停止策略。本文通过“编排轨迹”（包含子智能体生成、委托等事件的时间交互图）研究多智能体系统的强化学习。文章确立了奖励设计、信用信号分配及编排学习分解（何时生成、委托给谁、如何通信/聚合/停止）三大技术轴。研究指出当前缺乏针对“停止决策”的显式训练方法，并揭示了学术方法与工业部署间的规模差距，最终发布了包含标注论文池和可重放轨迹架构的开源资源。