.png){kind=icon}
返回
Toward Scalable LLM-Based Multi-Agent Collaboration: A Dynamic Task Graph Approach with Asynchronous Parallel Execution
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15112475.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在协作多智能体环境中部署大型语言模型（LLMs）代表了复杂AI问题求解的一个有前景的前沿领域，但该领域缺乏系统性的机制来管理大规模下产生的固有协调开销和资源竞争问题。现有的基于LLM的多智能体系统（MAS）框架主要采用顺序或松散耦合的执行模型，未能充分利用现代计算环境的并行潜力，并限制了系统整体吞吐量。为弥合这一差距，本文提出DynTaskMAS框架，通过动态任务图抽象重新定义基于LLM的MAS中的任务编排。DynTaskMAS不将任务视为静态流水线，而是在运行时持续建模任务间的依赖关系，从而实现机会性并行执行同时保持逻辑正确性。该架构集成了四个协同组件：一个运行时任务分解模块，用于捕捉子任务间不断演变的依赖关系；一个调度引擎，无需中心化瓶颈即可将就绪任务分发给可用智能体；一个上下文传播层，维护跨并发执行智能体的共享语义状态；以及一个自调优工作流控制器，根据观测到的系统负载调整执行优先级。这些组件共同解决了基于LLM的MAS设计中的核心张力，平衡了智能体自主性与协调效率。针对不同复杂度任务的评估证实，与顺序基线相比，DynTaskMAS在执行效率（减少21.3%–33.0%）、资源利用率（从65%提升至88%）和智能体可扩展性（16个并发智能体时吞吐量提升3.47倍）方面实现了显著提升。本研究为下一代在现实世界动态和资源受限条件下运行的基于LLM的多智能体系统提供了一种可推广的架构蓝图。
Keyword:
large language models
multi-agent systems
task graph scheduling
asynchronous parallel execution
context management
workflow orchestration
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
