ATOM：通过核 - 电子层级实例化预算可控的多智能体协作

基于大语言模型的多智能体系统依赖优化的协作拓扑以平衡性能与通信成本，但现有方法难以兼顾稳定性与可扩展性，且常导致计算预算与查询难度不匹配。本文提出 ATOM，一种自适应框架，通过新颖的任务驱动强化学习范式生成预算可控的协作图。受原子结构启发，ATOM 采用核 - 电子层级：维持稳定离线学习的协作骨干（核），并在推理时动态激活基于查询条件的智能体（电子）。关键的是，其复杂度感知预算策略通过估算查询难度严格调节电子实例化，使资源消耗与任务需求对齐。实验表明，ATOM 在六个基准上达到最先进水平，令牌效率提升高达 30%。