Multi-Agent Systems Task Decomposition Mixture of Experts Reinforcement Learning
摘要

针对现有LLM多智能体系统在复杂长程任务中因缺乏参数适配导致的专业能力不足问题,本文提出MoRSE系统。该方法在任务结构层面将任务分解为依赖感知的子任务有向无环图(DAG),并为每个智能体分配特定的(角色,子任务)以明确职责;在参数层面,提出基于原型语义路由器的动态(角色,子任务)LoRA专家混合模块,实现低成本的专业化适配。此外,设计了分层组相对策略优化算法,通过双层信用分配隔离专家更新与路由方差。实验表明,该方法在代码生成基准上显著提升了整体及步骤级性能,且泛化能力强。

AI 推荐理由

论文核心在于通过任务分解为DAG进行多智能体协作规划,解决复杂长程任务的规划与执行问题。

研究机构
Yale University, New Haven, CT, USA
论文信息
作者 Peiwen Li, Shiyang Zhang, Yangtian Zhang, Sizhuang He, David van Dijk et al.
发布日期 2026-08-10
arXiv ID 2608.09251
相关性评分 9/10 (高度相关)