智能体
website ·
Codebook Agent 研究：多智能体通信拓扑收敛为约六种
该研究声称 LLM 多智能体系统实际需要的不同通信拓扑约为六种。技术摘要：研究者将 codebook 容量从 8 增至 64，通过奖励过滤后存活的拓扑仍收敛到大致相同的六种。另外两项发现削弱了标准表述：边数与 token 消耗呈负相关（r 约 -0.4），稀疏化智能体图反而使推理更昂贵；基于消息传递的评分器在智能体共享 profile 时具有邻接不变性，而这是已发布基准的默认配置，因此在该机制下无法对候选进行排序。Codebook Agent 完全放弃搜索：向量量化自编码器将成功拓扑压缩为与查询无关的 16 项 codebook，奖励加权 MLP 将查询嵌入映射到代码分布，MLP 代理读取展平邻接矩阵，在一次批量前向传递中对解码后的 top 候选重新排序。它能在 2.4 毫秒内生成拓扑，在全部六个基准上平均得分 84.6，优于最强先前设计者的 83.0，并减少 21.9% 至 33.2% 的 LLM token 消耗。论文：arxiv.org/abs/2609.02264。
AI推荐理由 该研究揭示了多智能体拓扑设计的核心规律，并提供了高效生成方法，对 AI 系统架构设计有重要参考价值。
78
浏览 14,012
点赞 159
评论 16
转发 44
正文
关于设计多代理系统的优秀论文。
一个LLM多代理系统实际上需要多少种不同的通信拓扑？
这项工作声称大约需要六种。
技术摘要：
研究人员将码本容量从8增加到64，通过奖励过滤器存活的拓扑不断坍缩到大致相同的六种。
另外两个发现削弱了标准表述。边数与测量的令牌消耗呈负相关，相关系数约为-0.4，因此稀疏化代理图会使推理更加昂贵。
并且，当代理共享配置文件时（这是已发布基准中的默认配置），基于代理配置文件节点的消息传递评分器是邻接不变的，因此它在该机制下根本无法对候选进行排名。
Codebook Agent完全放弃了搜索。向量量化自编码器将成功的拓扑压缩成一个与查询无关的16条目码本，奖励加权MLP将查询嵌入映射到码的分布，而读取扁平化邻接的MLP代理在一次批量前向传递中对解码后的顶级候选进行重新排名。
它在2.4毫秒内生成一个拓扑，在六个基准测试中以84.6的平均分领先，而最强的前设计器为83.0，并且使用的LLM令牌减少了21.9%至33.2%。
论文：[arxiv.org/abs/2609.02264](https://arxiv.org/abs/2609.02264)
与论文聊天：[academy.dair.ai/papers/codeboo…](https://academy.dair.ai/papers/codebook-agent-amortized-topology-design-for-llm-multi-agent-systems-2609.02264)
查看原文（中文正文为 AI 翻译）
Great paper on designing multi-agent systems.
How many distinct communication topologies does an LLM multi-agent system actually need?
This works claims that it's about six.
Technical summary:
Researchers grew the codebook capacity from 8 to 64 and the topologies that survived a reward filter kept collapsing to roughly the same six.
Two further findings undercut the standard formulation. Edge count correlates negatively with measured token consumption at r about -0.4, so sparsifying the agent graph makes inference more expensive.
And a message-passing scorer over agent-profile nodes is adjacency-invariant whenever agents share a profile, which is the default configuration in published benchmarks, so it cannot rank candidates at all in that regime.
Codebook Agent drops the search entirely. A vector-quantized autoencoder compresses successful topologies into a query-independent 16-entry codebook, a reward-weighted MLP maps the query embedding to a distribution over codes, and an MLP proxy reading the flattened adjacency reranks the top decoded candidates in one batched forward pass.
It emits a topology in 2.4 ms, leads all six benchmarks at 84.6 average against 83.0 for the strongest prior designer, and uses 21.9 to 33.2% fewer LLM tokens.
Paper: [arxiv.org/abs/2609.02264](https://arxiv.org/abs/2609.02264)
Chat with Paper: [academy.dair.ai/papers/codeboo…](https://academy.dair.ai/papers/codebook-agent-amortized-topology-design-for-llm-multi-agent-systems-2609.02264)
