ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks

📄 arXiv: 2601.19607v1 📥 PDF

作者: Haoyun Li, Ming Xiao, Kezhi Wang, Robert Schober, Dong In Kim, Yong Liang Guan

分类: cs.AI

发布日期: 2026-01-27

💡 一句话要点

ComAgent：基于多LLM智能体的智能无线网络方案，提升跨层优化效率

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

关键词: 多智能体系统 大型语言模型 无线网络优化 6G网络 跨层优化

📋 核心要点

  1. 6G网络跨层优化复杂，人工转换高层意图为数学公式效率低，成为瓶颈。
  2. ComAgent采用多LLM智能体框架，通过感知-规划-行动-反思循环，自主生成求解公式和可复现仿真。
  3. 实验表明，ComAgent在波束成形优化中达到专家水平，并在多种无线任务中超越单体LLM。

📝 摘要（中文）

新兴的6G网络依赖于复杂的跨层优化，但将高层意图手动转化为数学公式仍然是一个瓶颈。虽然大型语言模型（LLMs）展现了潜力，但单体方法通常缺乏足够的领域基础、约束意识和验证能力。为了解决这个问题，我们提出了ComAgent，一个基于多LLM智能体的AI框架。ComAgent采用闭环的感知-规划-行动-反思循环，协调专门的智能体进行文献搜索、编码和评分，以自主生成可用于求解的公式和可复现的仿真。通过迭代分解问题和自我纠正错误，该框架有效地弥合了用户意图和执行之间的差距。评估表明，ComAgent在复杂的波束成形优化中实现了与专家相当的性能，并且在各种无线任务中优于单体LLM，突出了其在自动化新兴无线网络设计方面的潜力。

🔬 方法详解

问题定义：论文旨在解决6G网络中复杂的跨层优化问题，现有方法依赖人工将高层意图转化为数学公式，效率低下且容易出错。单体LLM虽然具备一定能力，但缺乏足够的领域知识、约束意识和验证能力，难以直接应用于无线网络优化。

核心思路：ComAgent的核心思路是将复杂的优化问题分解为多个子任务，并为每个子任务分配专门的LLM智能体。通过智能体之间的协同工作和闭环反馈，实现问题的迭代求解和自我纠正，从而提高优化效率和准确性。

技术框架：ComAgent采用闭环的感知-规划-行动-反思（Perception-Planning-Action-Reflection）循环。感知阶段负责理解用户意图和环境信息；规划阶段将问题分解为子任务并制定解决方案；行动阶段执行解决方案，例如生成代码或进行仿真；反思阶段评估结果并进行自我纠正。框架包含文献搜索智能体、编码智能体和评分智能体等。

关键创新：ComAgent的关键创新在于其多智能体架构和闭环反馈机制。与单体LLM相比，多智能体架构能够更好地利用不同LLM的专业知识，提高问题解决能力。闭环反馈机制能够实现自我纠正和迭代优化，提高解决方案的准确性和可靠性。

关键设计：ComAgent的具体实现细节未知，论文中可能涉及智能体之间的通信协议、任务分配策略、损失函数设计以及特定LLM的选择和配置等。这些细节对于ComAgent的性能至关重要，但论文摘要中没有详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ComAgent在复杂的波束成形优化中实现了与专家相当的性能，表明其具备解决复杂无线网络优化问题的能力。此外，ComAgent在各种无线任务中优于单体LLM，证明了其多智能体架构和闭环反馈机制的有效性。具体的性能提升幅度未知，需要在论文正文中查找。

🎯 应用场景

ComAgent可应用于新兴无线网络的设计和优化，例如6G网络、智能无线电、物联网等。它可以自动化波束成形、资源分配、干扰管理等任务，提高网络性能和效率，降低人工成本。此外，ComAgent还可以用于无线网络故障诊断和性能监控，实现网络的智能化管理。

📄 摘要（原文）

Emerging 6G networks rely on complex cross-layer optimization, yet manually translating high-level intents into mathematical formulations remains a bottleneck. While Large Language Models (LLMs) offer promise, monolithic approaches often lack sufficient domain grounding, constraint awareness, and verification capabilities. To address this, we present ComAgent, a multi-LLM agentic AI framework. ComAgent employs a closed-loop Perception-Planning-Action-Reflection cycle, coordinating specialized agents for literature search, coding, and scoring to autonomously generate solver-ready formulations and reproducible simulations. By iteratively decomposing problems and self-correcting errors, the framework effectively bridges the gap between user intent and execution. Evaluations demonstrate that ComAgent achieves expert-comparable performance in complex beamforming optimization and outperforms monolithic LLMs across diverse wireless tasks, highlighting its potential for automating design in emerging wireless networks.