摘要
多语言多智能体系统在非英语场景下性能显著下降,但现有工作很少识别用户请求转化为可执行计划时关键信息的丢失过程。本文将多智能体系统中的规划器视为请求到动作的接口,从真实的任务执行失败中推导出规划-接地失败的可操作分类法。基于LLM的分析显示,随着语言资源可用性的降低,此类失败在 unsuccessful executions 中的占比增加,且在低资源语言中影响最强。为验证该分类法是否能缓解问题,我们引入了TART(Taxonomy-Guided Actionable Representation),使分类法的关键方面对规划器和下游子代理显式化。在多种语言、三个LLM骨干网络、两个数据集和两种智能体配置下的实验表明,TART consistently 提升了性能。在多语言GAIA基准测试中,它将最先进的系统准确率提高了5.6个百分点(涵盖11种语言)。
AI 推荐理由
论文直接研究多智能体系统中的规划失败问题,提出针对规划接地失败的分类及改进方法TART。
研究机构
Fujitsu Research of Europe
Cohere
Fujitsu Research
论文信息