基于技能的代理人工智能系统中的动态联盟形成和通信定价

arXiv:2608.07532v1 发布类型：新 摘要：现代代理人工智能系统将多个具有异构技能的大型语言模型代理结合在一起，但大多数架构要么提前修复通信，要么允许完全广播。两者都可能效率低下，因为令牌成本、延迟、冗余和错误传播随着活动代理和通信链路数量的增加而增加。我们将代理选择和通信建模为具有任务条件净效用 $U(C\mid x)=V(C\mid x)-\sum_{i\in C}c_i$ 的合作游戏，将联盟级别成本与代理激活成本分开。我们提出了边际值激活规则和贪婪路由器，扩展模型以优化每条边成本的通信边，并使用估计的 Shapley 值来预测在执行之前和期间值得联系哪些代理。我们将问题与子模最大化联系起来，并证明了两个有限保证：单调、基数约束的特殊情况的曲率细化边界，以及通过双重贪婪针对无约束非单调情况的严格 $1/2$ 近似，并修正了符号目标。这两种保证都直接适用于主路由器，这仍然是一种启发式方法。我们还证明了将边际价值路由误差与每个智能体收益递减量联系起来的沙普利子模三明治界限。在综合实验中，贪婪路由实现了 99.5%$ 的暴力最优效用，同时平均激活 1.96$ 的 8$ 代理，而完整广播的 38.8%$ 则为 38.8%$。性能对于激活成本和冗余权重来说是稳健的，但在严重违反子模块性或噪声值估计的情况下会下降到 66%$。我们将该框架与 Shapley 定价、特征联盟形成和通信图剪枝区分开来，并提出对真实多智能体 LLM 基准的评估。