Uno-Orchestra：通过选择性委托实现简约的代理编排

大型语言模型多智能体系统通常依赖僵化的编排机制，难以在单一目标下联合优化分解深度、工作者选择及推理预算。本文提出 Uno-Orchestra，一种统一的编排策略，能够选择性地将任务分解，并将每个子任务分发至合适的（模型，原语）对。该策略的两个决策均基于真实工作者交互构建的强化学习轨迹共同习得。在涵盖数学、代码、知识等 13 个基准测试中，Uno-Orchestra 超越了 22 个基线方法，以低一个数量级的查询成本实现了 77.0% 的宏观通过率，显著推进了选择性委托的准确性与效率前沿。