Resumen: Los sistemas de múltiples agentes alimentados por modelos de idiomas grandes han demostrado capacidades notables en diversos dominios, sin embargo, los enfoques de diseño automatizados existentes buscan soluciones monolíticas que no logren adaptar la asignación de recursos basado en la complejidad de la consulta y los requisitos de dominio. Este documento presenta AOMAAS, un marco de búsqueda de arquitectura de múltiples agentes auto evolución que aprovecha los principios de búsqueda de arquitectura neural para descubrir automáticamente configuraciones de agentes óptimos a través de la gestión dinámica del ciclo de vida del operador y las técnicas automatizadas de aprendizaje automático. Nuestro enfoque incorpora cuatro innovaciones clave: (1) generación automática de operadores, fusión y eliminación basada en el análisis de costo de rendimiento, (2) optimización de costos dinámicos con el ajuste de parámetros en tiempo real, (3) integración de retroalimentación en línea para refinamiento de arquitectura continua, y (4) una interpretabilidad mejorada a través de mecanismos de rastreo de decisiones. Experimentos extensos en seis puntos de referencia demuestran que AOMAAS logra una mejora del rendimiento de 1.0-7.1 % al tiempo que reduce los costos de inferencia en 3-5 % en comparación con los métodos de última generación. El marco muestra una transferibilidad superior a través de conjuntos de datos y columnas de LLM, estableciendo un nuevo paradigma para el diseño automatizado del sistema de múltiples agentes en la era de los modelos de idiomas grandes.
Publicado Originalme en export.arxiv.org El 5 de octubre de 2025.
Ver Fuente Original
