Rethinking Multi-Agent Intelligence Through the Lens of Small-World Networks

📄 arXiv: 2512.18094v1 📥 PDF

作者: Boxuan Wang, Zhuoyun Li, Xiaowei Huang, Yi Dong

分类: cs.AI, cs.MA

发布日期: 2025-12-19

备注: Under Review

💡 一句话要点

利用小世界网络优化多智能体系统通信拓扑，提升共识稳定性

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

关键词: 多智能体系统 小世界网络 通信拓扑 大型语言模型 智能体协作

📋 核心要点

  1. 现有LLM驱动的MAS在通信拓扑设计上缺乏结构指导，导致智能体间协作效率和稳定性受限。
  2. 论文提出将小世界网络(SW)作为MAS的连接先验，平衡局部聚类和长程集成，优化智能体间通信。
  3. 实验表明，SW连接在保证性能的同时，显著提升了多智能体辩论的共识稳定性，并提出了不确定性引导的重连方案。

📝 摘要（中文）

大型语言模型(LLM)驱动的多智能体系统(MAS)允许智能体通过辩论、批判和协作来解决复杂任务，使得通信拓扑成为重要的设计选择。然而，现有基于LLM的MAS通常采用全连接图、简单的稀疏环或临时的动态选择，缺乏结构指导。本文重新审视了经典的小世界(SW)网络理论，并探讨了将SW连接作为MAS的设计先验会带来什么改变。首先，将神经科学和复杂网络中的见解与MAS联系起来，强调SW结构如何平衡局部聚类和长程集成。以多智能体辩论(MAD)作为受控测试平台，实验结果表明，SW连接在几乎相同的准确率和token成本下，显著稳定了共识轨迹。在此基础上，引入了一种不确定性引导的重连方案来扩展MAS，其中使用面向LLM的不确定性信号(例如，语义熵)在认知上不同的智能体之间添加长程捷径。这产生了可控的SW结构，可以适应任务难度和智能体异质性。最后，讨论了SW先验对MAS设计的更广泛影响，将其视为推理的稳定器、鲁棒性的增强器、可扩展的协调器以及涌现认知角色的归纳偏置。

🔬 方法详解

问题定义：现有基于LLM的多智能体系统在通信拓扑的设计上存在不足。常见的全连接图通信成本高昂，而简单的稀疏环结构则限制了信息传播的效率。动态选择方法虽然灵活，但缺乏结构性的指导，容易陷入局部最优，难以保证系统的稳定性和可扩展性。因此，如何设计一种既能保证信息高效传播，又能维持系统稳定性的通信拓扑是本文要解决的核心问题。

核心思路：本文的核心思路是将小世界网络(Small-World Network, SW)的特性引入到多智能体系统的通信拓扑设计中。小世界网络具有高聚类系数和短平均路径长度的特点，能够在局部范围内实现高效的信息交流，同时通过少量的长程连接实现全局信息的快速传播。这种结构能够平衡局部探索和全局利用，从而提高多智能体系统的协作效率和稳定性。

技术框架：论文的技术框架主要包括三个部分：1) 基于小世界网络构建初始的多智能体通信拓扑；2) 利用多智能体辩论(MAD)作为测试平台，验证小世界网络在稳定共识轨迹方面的优势；3) 提出一种不确定性引导的重连方案，根据智能体之间的认知差异动态调整通信拓扑，以适应不同的任务难度和智能体异质性。整体流程是从理论分析到实验验证，再到算法优化，形成一个完整的闭环。

关键创新：本文最重要的技术创新点在于将小世界网络的结构特性与多智能体系统的通信拓扑设计相结合。与传统的全连接、稀疏环或动态选择方法不同，本文提出的方法能够提供一种结构化的指导，从而更好地平衡局部探索和全局利用。此外，不确定性引导的重连方案能够根据智能体的认知差异动态调整通信拓扑，进一步提高了系统的适应性和鲁棒性。

关键设计：在构建小世界网络时，论文采用了经典的Watts-Strogatz模型，通过调整重连概率来控制网络的结构特性。在不确定性引导的重连方案中，论文使用LLM面向的不确定性信号（例如，语义熵）来衡量智能体之间的认知差异，并根据差异程度添加长程连接。具体的参数设置和损失函数等技术细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于小世界网络的MAS在多智能体辩论任务中，能够在几乎相同的准确率和token成本下，显著稳定共识轨迹。与传统方法相比，该方法能够更快地达成共识，并减少智能体之间的冲突，从而提高协作效率。

🎯 应用场景

该研究成果可应用于需要多智能体协作的复杂任务，如自动驾驶、智能交通、分布式计算、金融交易等领域。通过优化智能体间的通信拓扑，可以提高系统的效率、稳定性和鲁棒性，从而更好地解决实际问题，具有重要的应用价值和未来发展潜力。

📄 摘要（原文）

Large language models (LLMs) have enabled multi-agent systems (MAS) in which multiple agents argue, critique, and coordinate to solve complex tasks, making communication topology a first-class design choice. Yet most existing LLM-based MAS either adopt fully connected graphs, simple sparse rings, or ad-hoc dynamic selection, with little structural guidance. In this work, we revisit classic theory on small-world (SW) networks and ask: what changes if we treat SW connectivity as a design prior for MAS? We first bridge insights from neuroscience and complex networks to MAS, highlighting how SW structures balance local clustering and long-range integration. Using multi-agent debate (MAD) as a controlled testbed, experiment results show that SW connectivity yields nearly the same accuracy and token cost, while substantially stabilizing consensus trajectories. Building on this, we introduce an uncertainty-guided rewiring scheme for scaling MAS, where long-range shortcuts are added between epistemically divergent agents using LLM-oriented uncertainty signals (e.g., semantic entropy). This yields controllable SW structures that adapt to task difficulty and agent heterogeneity. Finally, we discuss broader implications of SW priors for MAS design, framing them as stabilizers of reasoning, enhancers of robustness, scalable coordinators, and inductive biases for emergent cognitive roles.