MANTA：基於自進化拓撲的多智能體協作網路自適應架構

大型语言模型驱动的多智能体系统在解决复杂问题时展现出巨大潜力，其核心优势在于能够通过任务分解、智能体专业化分工、实时信息交换以及中间结果验证来协同工作。然而，当前主流的多智能体架构普遍存在一个关键局限：它们通常将通信拓扑视为一种静态的设计选择，或者仅在离线阶段进行优化。这种静态视角忽视了实际任务执行过程中动态变化的需求，导致系统在面临新颖或复杂场景时缺乏灵活性。针对这一痛点，本研究提出了MANTA（Multi-Agent Network Topology Adaptation）框架，旨在实现通信结构在推理阶段的自进化能力。MANTA的核心贡献在于打破了拓扑固定的传统范式，允许智能体网络在执行过程中根据任务需求动态调整其内部协作结构。这不仅解决了静态拓扑适应性差的问题，还为多智能体系统提供了一种更具鲁棒性和适应性的架构范式，使得系统能够从"被动执行"转向"主动适应"，从而在更广泛的复杂任务场景中保持高效协作。在技术实现层面，MANTA采用了一种两阶段的自适应机制，确保拓扑更新既灵活又受控。在任务执行前的初始化阶段，MANTA利用先前的结构经验，根据当前任务的具体条件生成一个初始的通信拓扑。这一过程并非随机初始化，而是基于历史数据中积累的模式，确保起点具备合理的协作基础。

进入部署阶段后，系统会实时监控智能体之间的协作轨迹，评估当前组织结构的效率与充分性。当检测到当前拓扑不足以支撑任务推进时，MANTA会触发有界结构更新机制。这些更新操作包括修改智能体的角色定义、调整通信链接、改变执行顺序、控制信息可见性以及优化验证路径。值得注意的是，所有结构变更都严格限制在保持任务接口一致性和智能体预算不变的前提下进行。这种设计确保了系统在不增加额外计算资源消耗的情况下，仅通过重组内部连接关系即可提升性能，体现了极高的工程效率与理论优雅性。为了验证MANTA的有效性，研究团队在五个涵盖不同任务类型的基准测试上进行了全面评估，包括信息检索、工具使用、规划、工作流执行以及数学推理。这些基准测试旨在模拟真实世界中多样化的复杂场景，以检验框架的通用性。实验结果显示，MANTA取得了74.0的平均得分，显著优于最强的单智能体及多智能体基线模型，性能提升了5.8个百分点。特别是在PlanCraft基准测试中，MANTA取得了最佳结果，证明了其在复杂规划任务中的卓越适应能力。

消融实验进一步揭示，推理时的自改进机制对最终性能提升贡献显著，尤其是在需要动态调整协作策略的任务中。与固定拓扑模型相比，MANTA能够更有效地利用智能体间的互补能力，减少无效通信，提升信息流转效率。这些关键结果不仅量化了MANTA的性能优势，也证实了动态拓扑适应在提升多智能体系统整体效能方面的巨大潜力。从行业意义与潜在影响来看，MANTA框架为多智能体系统的架构设计提供了新的思路。它表明，除了优化单个智能体的能力或提示工程外，动态调整协作结构本身也是一种强大的性能提升手段。对于开源社区而言，MANTA提供了一个可复现的框架，鼓励研究者探索更多基于拓扑自适应的创新方法。在工业落地方面，这种无需增加硬件成本即可提升系统性能的技术，对于资源受限的边缘计算或大规模分布式系统具有极高的应用价值。此外，MANTA所提出的"推理时自进化"概念可能启发后续研究，将自适应机制扩展到更多系统层面，如动态资源分配或实时策略调整。随着多智能体系统在自动驾驶、金融交易、智能客服等领域的深入应用，具备自进化能力的协作架构将成为构建下一代高可靠性AI系统的关键基础设施，推动AI从单一智能向群体智能的实质性跨越。