Federated Learning Agent Evolution Knowledge Distillation Heterogeneous Agents
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
作者 Weihao Li, Jun Bai, Ziyang Song
发布日期 2026-07-23
arXiv ID 2607.21361
相关性评分 9/10 (高度相关)