LLM Enabled Multi-Agent System for 6G Networks: Framework and Method of Dual-Loop Edge-Terminal Collaboration
作者: Zheyan Qu, Wenbo Wang, Zitong Yu, Boquan Sun, Yang Li, Xing Zhang
分类: cs.MA, cs.AI
发布日期: 2025-09-05
备注: This paper has been accepted by IEEE Communications Magazine
💡 一句话要点
提出基于LLM的多智能体双环协作框架，提升6G网络边缘终端智能服务效率
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 大语言模型 6G网络 边缘计算 终端协作
📋 核心要点
- 现有LLM智能体在6G网络设备上运行时，受限于设备资源，复杂工具调用效率低下，多层设备协作需求迫切。
- 提出双环协作框架，外环分解任务并并行分配，内环专用子智能体循环优化子任务，提升LLM智能体的规划和执行效率。
- 通过6G支持的城市安全治理案例验证，该方法能有效提升任务规划和执行效率，为6G网络智能服务提供支撑。
📝 摘要（中文）
本文提出了一种基于大语言模型（LLM）的多智能体系统框架和双环终端-边缘协作方法，旨在解决6G网络中LLM赋能智能服务面临的设备资源限制问题。该框架利用无处不在的计算资源，通过智能体框架融合LLM和智能服务。外环由全局智能体和部署在边缘服务器及终端上的多个子智能体迭代协作构成，通过任务分解和并行子任务分配增强规划能力。内环利用具有专用角色的子智能体循环推理、执行和重新规划子任务，并结合卸载策略的并行工具调用生成来提高效率。通过在6G支持的城市安全治理案例研究中验证了改进的任务规划能力和任务执行效率。最后，分析了6G网络中的开放挑战和未来方向，加速6G时代的到来。
🔬 方法详解
问题定义：论文旨在解决6G网络中，由于单个网络设备资源有限，导致LLM赋能的智能体在执行复杂任务和工具调用时效率低下的问题。现有方法难以充分利用边缘和终端设备的计算资源进行协同，限制了LLM在6G网络中的应用。
核心思路：论文的核心思路是构建一个多智能体系统，通过边缘和终端设备的双环协作，实现任务分解、并行处理和资源优化。外环负责全局任务的规划和分解，内环负责子任务的执行和优化。这种分层协作的方式可以有效利用网络中的计算资源，提高LLM智能体的整体性能。
技术框架：该框架包含一个全局智能体和多个子智能体，子智能体部署在边缘服务器和终端设备上。外环协作流程为：全局智能体接收任务后，将其分解为多个子任务，并分配给相应的子智能体；子智能体执行子任务，并将结果反馈给全局智能体；全局智能体根据子智能体的反馈进行迭代优化。内环协作流程为：子智能体接收到子任务后，进行循环推理、执行和重新规划，并采用卸载策略进行并行工具调用生成，以提高效率。
关键创新：该论文的关键创新在于提出了双环协作的智能体系统架构，将全局任务分解和局部任务优化相结合。通过外环的任务分解和并行分配，以及内环的循环优化和并行工具调用，实现了对网络资源的有效利用，显著提升了LLM智能体的任务规划和执行效率。此外，卸载策略的引入也进一步优化了资源分配。
关键设计：论文中涉及的关键设计包括：全局智能体和子智能体的角色定义和功能划分；任务分解和分配策略；子智能体的循环推理、执行和重新规划机制；以及基于卸载策略的并行工具调用生成方法。具体的参数设置、损失函数、网络结构等技术细节在论文中未详细说明，属于未知信息。
🖼️ 关键图片
📊 实验亮点
论文通过在6G支持的城市安全治理案例研究中验证了所提出的双环协作框架的有效性。实验结果表明，该方法能够显著提升任务规划能力和任务执行效率，具体性能数据和提升幅度在摘要中未明确给出，属于未知信息。
🎯 应用场景
该研究成果可应用于多种6G网络场景，例如城市安全治理、智能交通、工业自动化等。通过利用边缘和终端设备的计算资源，可以实现更高效、更智能的网络服务，提升用户体验，并为各行业带来创新应用。
📄 摘要（原文）
The ubiquitous computing resources in 6G networks provide ideal environments for the fusion of large language models (LLMs) and intelligent services through the agent framework. With auxiliary modules and planning cores, LLM-enabled agents can autonomously plan and take actions to deal with diverse environment semantics and user intentions. However, the limited resources of individual network devices significantly hinder the efficient operation of LLM-enabled agents with complex tool calls, highlighting the urgent need for efficient multi-level device collaborations. To this end, the framework and method of the LLM-enabled multi-agent system with dual-loop terminal-edge collaborations are proposed in 6G networks. Firstly, the outer loop consists of the iterative collaborations between the global agent and multiple sub-agents deployed on edge servers and terminals, where the planning capability is enhanced through task decomposition and parallel sub-task distribution. Secondly, the inner loop utilizes sub-agents with dedicated roles to circularly reason, execute, and replan the sub-task, and the parallel tool calling generation with offloading strategies is incorporated to improve efficiency. The improved task planning capability and task execution efficiency are validated through the conducted case study in 6G-supported urban safety governance. Finally, the open challenges and future directions are thoroughly analyzed in 6G networks, accelerating the advent of the 6G era.