Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs

📄 arXiv: 2605.06320v1 📥 PDF

作者: Elizabeth Mieczkowski, Alexander Ku, Tiwalayo Eisape, Dilip Arumugam, John Matters, Katherine M. Collins, Ilia Sucholutsky, Thomas L. Griffiths

分类: cs.MA, cs.AI, cs.CL

发布日期: 2026-05-07

💡 一句话要点

LATTE框架通过自适应任务图提升语言代理团队的效率，降低资源消耗。

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

关键词: 语言代理团队 任务图 自适应协调 分布式系统 大型语言模型 多智能体协作 任务分解

📋 核心要点

  1. 现有语言代理团队的协调方法要么过于僵化，要么效率低下，存在资源浪费和冲突等问题。
  2. LATTE框架通过构建和维护一个共享的、动态演化的任务图，实现代理间的自适应任务分配和协调。
  3. 实验表明，LATTE在降低token使用、运行时间和协调失败的同时，保持或提升了任务准确性。

📝 摘要（中文）

大型语言模型（LLM）越来越多地被部署在团队中，但现有的协调方法通常处于两个极端。高度结构化的方法依赖于预先分配的固定角色、流程或任务分解。相比之下，完全非结构化的团队虽然具有适应性和探索性，但存在效率低下的问题，如错误传播、代理间冲突和资源浪费（以时间、tokens或文件操作衡量）。我们引入了用于任务演化的语言代理团队（LATTE），这是一个受分布式系统启发的LLM团队协调框架，其中处理器必须在部分可观察性和通信约束下运行。在LATTE中，一个代理团队协作构建和维护一个共享的、不断演化的协调图，该图编码了子任务依赖关系、个体代理分配和子任务进度的当前状态。该协议在保持一致性的同时，使代理能够动态地分配工作、调整协调和发现新任务。在多个协作任务和各种基础模型上，我们证明了LATTE如何减少token使用量、实际运行时间、通信和协调失败（例如文件冲突和冗余输出），同时匹配或超过包括MetaGPT、去中心化团队、自上而下的领导者-工作者层级和静态分解等标准设计的准确性。

🔬 方法详解

问题定义：现有语言代理团队的协调方法存在两个主要问题。一是高度结构化的方法，如预定义的角色和流程，缺乏灵活性。二是完全去中心化的方法，虽然灵活，但容易出现错误传播、代理冲突和资源浪费，例如重复计算和文件冲突。因此，需要一种既能保持效率又能适应变化的协调机制。

核心思路：LATTE的核心思路是借鉴分布式系统的思想，让语言代理团队协作构建和维护一个共享的、动态演化的任务图。该任务图记录了子任务的依赖关系、代理的分配情况以及任务的完成状态。通过维护这个任务图，代理可以根据当前状态动态地分配工作，调整协调策略，甚至发现新的任务。

技术框架：LATTE框架包含以下几个主要组成部分：1) 任务图：一个有向无环图，节点代表子任务，边代表依赖关系。2) 代理团队：一组LLM代理，每个代理负责执行特定的子任务。3) 协调协议：一套规则，用于代理之间通信、任务分配和状态更新。整个流程如下：首先，代理团队共同初始化任务图。然后，每个代理根据任务图的状态，选择自己可以执行的子任务。执行完成后，代理更新任务图的状态，并与其他代理通信。这个过程不断迭代，直到所有任务完成。

关键创新：LATTE的关键创新在于引入了自适应任务图的概念，使得代理团队能够根据任务的实际进展情况动态地调整协调策略。与传统的静态任务分解方法相比，LATTE能够更好地应对复杂和不确定的任务环境。此外，LATTE还借鉴了分布式系统的思想，例如使用版本控制来解决并发冲突，保证任务图的一致性。

关键设计：LATTE的关键设计包括：1) 任务图的表示：使用JSON格式来表示任务图，方便代理之间进行通信和解析。2) 任务分配策略：代理根据任务的优先级、依赖关系和自身的可用性来选择任务。3) 冲突解决机制：使用版本控制和锁机制来避免并发修改任务图导致的冲突。4) 通信协议：定义了一套标准的通信协议，用于代理之间交换信息和更新状态。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LATTE在多个协作任务上优于现有的协调方法，包括MetaGPT、去中心化团队和静态分解。具体来说，LATTE显著降低了token使用量（降低高达30%），缩短了实际运行时间，减少了通信量，并有效避免了文件冲突和冗余输出等协调失败。同时，LATTE在任务准确性方面与最佳基线方法持平或略有提升。

🎯 应用场景

LATTE框架可应用于各种需要多智能体协作的场景，例如软件开发、文档撰写、研究报告生成等。它能够提高团队的效率，减少资源浪费，并降低协调失败的风险。未来，LATTE有望成为构建更智能、更高效的语言代理团队的基础。

📄 摘要（原文）

Large language models (LLMs) are increasingly deployed in teams, yet existing coordination approaches often occupy two extremes. Highly structured methods rely on fixed roles, pipelines, or task decompositions assigned a priori. In contrast, fully unstructured teams enable adaptability and exploration but suffer from inefficiencies such as error propagation, inter-agent conflicts, and wasted resources (measured in time, tokens, or file operations). We introduce Language Agent Teams for Task Evolution (LATTE), a framework for coordinating LLM teams inspired by distributed systems, where processors must operate under partial observability and communication constraints. In LATTE, a team of agents collaboratively construct and maintain a shared, evolving coordination graph which encodes sub-task dependencies, individual agent assignment, and the current state of sub-task progress. This protocol maintains consistency while empowering agents to dynamically allocate work, adapt coordination, and discover new tasks. Across multiple collaborative tasks and a variety of base models, we demonstrate how LATTE reduces token usage, wall-clock time, communication, and coordination failures (e.g. file conflicts and redundant outputs) while matching or exceeding the accuracy of standard designs including MetaGPT, decentralized teams, top-down Leader-Worker hierarchies, and static decompositions.