摘要
基于大语言模型的代理日益依赖推理、工具使用及迭代执行,但现有框架多孤立运行。尽管基于记忆的系统提升了个体能力,局部经验仍碎片化,限制了跨框架的知识转移与协同推理进化。本文提出 FedAgentKE,一种轻量级联邦语义知识进化框架。该框架使分布式代理能通过迭代式的语义知识蒸馏、聚合与适应,协同进化可迁移的推理抽象,且无需共享原始推理轨迹。实验表明,该方法在跨框架和跨任务设置下均取得一致提升,展现了未来协同代理生态的潜力。
AI 推荐理由
论文核心提出联邦语义知识进化框架,旨在实现异构代理间的协同自我进化与知识迁移。
研究机构
McCormick School of Engineering, Northwestern University
School of Computer Science, McGill University
School of Electrical Engineering and Computer Science, Ohio University
论文信息