学习面向延迟感知的多智能体系统编排

多智能体系统（MAS）虽增强了推理能力，但多步执行导致高延迟。现有方法多关注性能与成本，忽视延迟优化。本文提出 LAMaS 框架，旨在平衡延迟与准确率。该方法在训练阶段通过关键路径感知的信用分配学习延迟感知执行图；在推理阶段利用轻量级控制器自适应消除冗余交互。实验表明，LAMaS 在保持竞争力的准确率同时，将端到端延迟降低超过 50%，且具有模块化迁移能力。