SSR: Structural Signal Retriever for Scalable Agent Discovery in LLM-Orchestrated Multi-Agent Systems

📄 arXiv: 2610.21113v1 📥 PDF

作者: Giancarlo Maldonado Cárdenas, Carlos A. Astudillo, Nelson L. S. da Fonseca

分类: cs.MA, cs.AI, cs.IR

发布日期: 2026-10-15

💡 一句话要点

提出SSR以解决大规模多代理系统中的代理发现问题

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

关键词: 多代理系统 代理发现 结构信号 逆文档频率 倒置信号索引 检索机制 大规模系统 智能助手

📋 核心要点

  1. 现有方法在大规模多代理系统中面临候选上下文可扩展性的问题，导致推理成本和延迟增加。
  2. 论文提出的SSR通过提取结构信号并利用IDF和ISI进行候选评分，有效解决了代理发现问题。
  3. 实验结果显示，SSR在多个基准测试中显著提高了检索效率，减少了输入大小和延迟。

📝 摘要（中文）

大规模多代理生态系统需要有效机制来发现合适的代理，而不必将整个注册表暴露给大型语言模型（LLM）协调者。本文提出了结构信号检索器（SSR），这是一种确定性且无需训练的检索方法，旨在实现代理卡的发现。SSR通过从具有能力的代理卡字段中提取结构词汇信号，并使用逆文档频率（IDF）对其加权，利用倒置信号索引（ISI）进行选择性候选评分。实验表明，SSR在1000个代理的情况下，LLM输入减少了98.8%，协调延迟降低了70.9%。

🔬 方法详解

问题定义：本文旨在解决在大规模多代理系统中，如何有效发现合适代理而不暴露整个注册表的问题。现有方法在处理候选上下文时，随着代理数量的增加，推理成本和延迟显著上升，且容易超出模型的上下文窗口。

核心思路：SSR的核心思路是通过提取代理卡字段中的结构词汇信号，并利用逆文档频率（IDF）对这些信号进行加权，从而实现高效的候选评分。该方法不依赖于训练，确保了其在动态环境中的适应性。

技术框架：SSR的整体架构包括信号提取、加权评分和候选选择三个主要模块。首先，从代理卡中提取结构信号；然后，使用IDF对信号进行加权；最后，通过ISI进行候选的选择性评分，以保持上下文的紧凑性。

关键创新：SSR的主要创新在于其确定性和无训练的检索机制，特别是通过结构信号和倒置信号索引的结合，显著提高了候选上下文的可扩展性。这与现有方法的随机性和训练依赖性形成鲜明对比。

关键设计：在设计中，SSR使用逆文档频率（IDF）来提高检索效果，并通过倒置信号索引（ISI）来减少显式评分的段落数量，确保在大规模代理环境中仍能保持高效的检索性能。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在实验中，SSR在1000个代理的情况下，LLM输入减少了98.8%，协调延迟降低了70.9%。在MS MARCO基准测试中，IDF显著提高了检索效果，而ISI则在保持检索有效性的同时，减少了96.8%的显式评分段落数量，展现了SSR的优越性能。

🎯 应用场景

SSR的研究成果在大规模多代理系统中具有广泛的应用潜力，尤其是在智能助手、自动化系统和分布式决策支持等领域。通过提高代理发现的效率，SSR能够显著降低系统的响应时间和资源消耗，推动多代理系统的智能化发展。

📄 摘要（原文）

Large-scale multi-agent ecosystems require mechanisms for discovering suitable agents without exposing entire registries to a large language model (LLM) orchestrator. The challenge is not only to retrieve relevant Agent Cards from a growing registry, but also to maintain a compact candidate context, since each additional candidate increases prompt size, inference cost, latency, and the risk of exceeding the model context window. We formulate this problem as candidate-context scalability and propose the Structural Signal Retriever (SSR), our deterministic and training-free retrieval method designed for Agent Card discovery. SSR derives structural lexical signals from capability-bearing Agent Card fields, weights them using inverse document frequency (IDF), and uses an Inverted Signal Index (ISI) for selective candidate scoring. We evaluate SSR using a synthetic agent benchmark, a public MS MARCO adaptation, and end-to-end LLM orchestration. At 1,000 agents, SSR reduces LLM input by 98.8% and orchestration latency by 70.9% relative to full-catalog orchestration. On MS MARCO, IDF improves retrieval effectiveness within the structural representation, while the ISI preserves retrieval effectiveness and reduces explicitly scored passages by 96.8%. End-to-end experiments show that candidate pre-selection maintains a compact candidate context as registry size grows and avoids the operational failures observed with full-catalog orchestration. These results support SSR as an Agent-Card-native, traceable retrieval mechanism for candidate-context scalability.