RELIC：揭示多智能体规划中学习可解释可组合技能的原则

当智能体需在保持内部实现私密的同时提升专用决策技能时，多智能体规划变得极具挑战。现有研究多假设集中优化或共享策略，难以适应隐私受限场景。本文提出 RELIC 框架，通过“揭示原则”学习可解释且可组合的技能。各智能体利用私有 LLM 引导搜索优化自身程序化技能，受信任的协调器仅依据团队整体性能评估更新。成功行为不被广播为代码，而是抽象为可移植原则，供其他智能体在各自接口中实例化并与本地策略重组。该方法实现了异构技能签名下的跨智能体迁移，确立了隐私保护型技能学习与协调的新范式。