Optimizing multi-agent workflows via heterogeneous graph learning

doi:10.1016/j.ipm.2026.105056

Optimizing multi-agent workflows via heterogeneous graph learning

2026-07-01

0

PRE

AI

DOI：10.1016/j.ipm.2026.105056

原文链接

原文求助

摘要

En 中文

基于大型语言模型（LLM）的多智能体系统（MAS）在复杂任务求解方面显示出潜力，但由于现有方法可扩展性差、对历史上下文利用有限以及智能体工具交互建模不足，有效的工作流设计仍具挑战。为解决这些局限性，我们提出了基于异构图的工流优化（HeGFlow），将智能体、工具以及智能体与工具之间的执行拓扑建模为相互连接的图组件，将MAS工作流设计转化为异构图邻接矩阵优化问题。为高效探索广阔搜索空间，HeGFlow引入了一种受子图采样策略指导的两阶段矩阵训练过程。在六个复杂领域的广泛实验表明，HeGFlow将小型LLM（如Qwen3-8B）的平均得分提高了12.4%，使其能够达到甚至超越更大模型的性能。此外，HeGFlow在四个常用基准上实现了79.7的最佳平均性能，平均优于现有手动设计方法3.7至7.8%，并超越当前最先进的自动工作流优化方法0.9至6.7%。进一步实验表明，我们的基于图的方法在保持低代币消耗的同时实现了强性能，为可扩展且有效的MAS工作流生成建立了新范式。代码可在https://anonymous.4open.science/r/Heterogeneous-graph_MAS-B28D/获取。

Keyword:

Multi-agent system

Heterogeneous graph

Workflow optimization

Large language models

Graph matrix optimization

Optimizing multi-agent workflows via heterogeneous graph learning

摘要

期刊

机构

引用论文