PartnerMAS: An LLM Hierarchical Multi-Agent Framework for Business Partner Selection on High-Dimensional Features

📄 arXiv: 2509.24046v2 📥 PDF

作者: Lingyao Li, Haolun Wu, Zhenkun Li, Jiabei Hu, Yu Wang, Xiaoshan Huang, Wenyue Hua, Wenqian Wang

分类: cs.MA, cs.AI

发布日期: 2025-09-28 (更新: 2025-10-31)

💡 一句话要点

PartnerMAS：一种用于高维特征业务伙伴选择的LLM分层多智能体框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 大型语言模型 高维决策 业务伙伴选择 风险投资 分层框架 智能决策

📋 核心要点

  1. 高维决策任务（如业务伙伴选择）面临候选池庞大、特征异构的挑战，现有方法难以有效处理。
  2. PartnerMAS通过分层多智能体框架，将评估分解为策略规划、角色评估和结果整合三个层次。
  3. 实验表明，PartnerMAS在风险投资联合投资数据集上，匹配率比现有方法提升10-15%。

📝 摘要（中文）

针对业务伙伴选择等高维决策任务，该任务涉及评估具有异构数值、类别和文本特征的大量候选池。虽然大型语言模型（LLM）具有强大的上下文推理能力，但单智能体或辩论式系统在此类环境中通常难以扩展和保持一致性。我们提出了PartnerMAS，一个分层多智能体框架，它将评估分解为三个层次：规划者智能体（设计策略）、专业智能体（执行特定角色的评估）和监督者智能体（整合它们的输出）。为了支持系统评估，我们还引入了一个精选的风险投资联合投资基准数据集，其中包含不同的公司属性和真实联合体。在140个案例中，PartnerMAS始终优于单智能体和基于辩论的多智能体基线，匹配率提高了10-15%。对智能体推理的分析表明，规划者对领域信息提示的响应最为敏感，专业智能体产生互补的特征覆盖，监督者在聚合中发挥重要作用。我们的研究结果表明，LLM智能体之间的结构化协作可以产生比扩展单个模型更稳健的结果，突显了PartnerMAS作为数据丰富领域中高维决策的有前景的框架。

🔬 方法详解

问题定义：业务伙伴选择等高维决策任务需要处理大量候选对象和异构特征（数值、类别、文本）。现有方法，如单智能体或辩论式多智能体系统，在高维数据下难以扩展，且一致性较差。这些方法无法有效利用大型语言模型（LLM）的推理能力来做出高质量的决策。

核心思路：PartnerMAS的核心思路是将复杂的决策过程分解为多个独立的、可管理的子任务，并分配给不同的LLM智能体。通过分工协作，每个智能体专注于特定的评估维度，从而提高整体决策的效率和准确性。这种分层结构允许更细粒度的控制和更深入的分析。

技术框架：PartnerMAS框架包含三个主要层次： 1. 规划者智能体（Planner Agent）：负责设计评估策略，确定需要考虑的关键特征和评估标准。 2. 专业智能体（Specialized Agents）：根据规划者制定的策略，针对特定角色执行评估，例如财务分析、市场评估等。 3. 监督者智能体（Supervisor Agent）：整合来自各个专业智能体的输出，进行综合评估，并做出最终决策。

关键创新：PartnerMAS的关键创新在于其分层多智能体架构，它允许LLM智能体以结构化的方式进行协作，从而克服了单智能体和辩论式系统的局限性。通过明确的分工和协作机制，PartnerMAS能够更有效地利用LLM的推理能力，并提高决策的质量和一致性。

关键设计： 1. 领域信息提示（Domain-informed prompts）：规划者智能体使用领域知识进行提示，以指导其策略设计。 2. 互补特征覆盖（Complementary feature coverage）：专业智能体被设计为覆盖不同的特征维度，以确保全面评估。 3. 监督者智能体的聚合策略（Aggregation strategy）：监督者智能体使用特定的聚合策略来整合来自不同专业智能体的输出，例如加权平均或投票。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PartnerMAS在风险投资联合投资数据集上，匹配率比单智能体和基于辩论的多智能体基线提高了10-15%。分析表明，规划者智能体对领域信息提示的响应最为敏感，专业智能体能够产生互补的特征覆盖，监督者智能体在聚合中发挥重要作用。这些结果验证了PartnerMAS框架的有效性和优越性。

🎯 应用场景

PartnerMAS可应用于各种高维决策场景，如风险投资、人才招聘、供应链管理等。通过利用LLM的推理能力和多智能体的协作机制，PartnerMAS能够帮助企业更有效地评估候选对象，做出更明智的决策，从而提高效率和降低风险。该框架还可用于构建智能决策支持系统，为决策者提供更全面的信息和更深入的分析。

📄 摘要（原文）

High-dimensional decision-making tasks, such as business partner selection, involve evaluating large candidate pools with heterogeneous numerical, categorical, and textual features. While large language models (LLMs) offer strong in-context reasoning capabilities, single-agent or debate-style systems often struggle with scalability and consistency in such settings. We propose PartnerMAS, a hierarchical multi-agent framework that decomposes evaluation into three layers: a Planner Agent that designs strategies, Specialized Agents that perform role-specific assessments, and a Supervisor Agent that integrates their outputs. To support systematic evaluation, we also introduce a curated benchmark dataset of venture capital co-investments, featuring diverse firm attributes and ground-truth syndicates. Across 140 cases, PartnerMAS consistently outperforms single-agent and debate-based multi-agent baselines, achieving up to 10--15\% higher match rates. Analysis of agent reasoning shows that planners are most responsive to domain-informed prompts, specialists produce complementary feature coverage, and supervisors play an important role in aggregation. Our findings demonstrate that structured collaboration among LLM agents can generate more robust outcomes than scaling individual models, highlighting PartnerMAS as a promising framework for high-dimensional decision-making in data-rich domains.