基于结构引导编排的多智能体协作自适应

随着基于大语言模型的多智能体系统规模扩大，平衡结构稳定性与动态适应性变得愈发困难。现有方法要么局限于预设结构，缺乏细粒度控制；要么动态调整决策，导致协调结构隐式且不稳定。本文从概率视角重审多智能体协作，将其建模为结构与编排联合分布的后验推断。提出的 MACA 框架学习任务和预算条件的结构先验，指导基于策略的编排以近似后验推断，实现高效且细粒度的控制。实验表明，MACA 在多个基准上平均性能提升 8.42%，同时减少 43.19% 的 token 消耗，有效抑制冗余交互。