AgensFlow：多智能体系统的协调策略基底

基于大语言模型的多智能体系统面临诸多难以预先固定的协调决策挑战。本文提出 AgensFlow，一个开源框架，将多智能体协调视为部分可观测下的在线策略学习问题。该框架使技能协议、角色分配、模型绑定及拓扑结构等决策可从重复轨迹中学习，而非作为固定流水线设计。在分布式系统事件与安全咨询任务上的评估表明， learned routing 在重协调类任务上优于固定基线，且热启动策略图能有效降低探索成本。结果支持可审计的动态路由能显著提升复杂工作流效率。