MiTa: A Hierarchical Multi-Agent Collaboration Framework with Memory-integrated and Task Allocation

📄 arXiv: 2601.22974v1 📥 PDF

作者: XiaoJie Zhang, JianHan Wu, Xiaoyang Qu, Jianzong Wang

分类: cs.ET, cs.CL

发布日期: 2026-01-30

备注: Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)

💡 一句话要点

MiTa：一种分层多智能体协作框架，集成记忆与任务分配，提升复杂任务效率。

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

关键词: 多智能体系统 协作框架 任务分配 情景记忆 分层结构

📋 核心要点

  1. 基于LLM的多智能体系统在复杂任务中表现出潜力，但仍面临记忆不一致和智能体行为冲突等问题。
  2. MiTa框架通过构建管理者-成员层级结构，利用管理者的任务分配和情景记忆集成模块，实现全局任务协调和长期上下文理解。
  3. 实验结果表明，MiTa在复杂多智能体协作任务中，相比现有方法，能够显著提升效率和适应性。

📝 摘要（中文）

本文提出了一种名为MiTa的分层记忆集成任务分配框架，旨在提升多智能体协作效率。该框架将智能体组织成管理者-成员层级结构，管理者包含额外的分配和总结模块，分别用于全局任务分配和情景记忆集成。分配模块使管理者能够从全局角度分配任务，避免智能体间的潜在冲突。总结模块由任务进度更新触发，通过将最近的协作历史凝练成简洁的摘要来执行情景记忆集成，从而保留长程上下文信息。通过结合任务分配与情景记忆，MiTa能够更清晰地理解任务并促进全局一致的任务分配。实验结果表明，在复杂的多智能体协作中，MiTa相比于强大的基线方法实现了卓越的效率和适应性。

🔬 方法详解

问题定义：现有基于LLM的多智能体系统在复杂任务中存在效率问题，具体表现为记忆不一致和智能体行为冲突。单个智能体难以有效处理复杂任务，而简单地组合多个智能体又容易导致协作混乱，缺乏全局视角和长期记忆。

核心思路：MiTa的核心思路是引入分层结构，将智能体分为管理者和成员。管理者负责全局任务分配和情景记忆集成，成员负责执行具体任务。通过管理者的全局视角和长期记忆，协调成员的行为，避免冲突，提高协作效率。

技术框架：MiTa框架包含管理者和成员两个层级。管理者包含任务分配模块和总结模块。任务分配模块接收全局任务信息，并根据当前任务状态和成员能力，将任务分配给合适的成员。总结模块监听任务进度更新，并将最近的协作历史凝练成简洁的摘要，更新情景记忆。成员接收任务分配，执行任务，并向管理者报告任务进度。

关键创新：MiTa的关键创新在于将任务分配和情景记忆集成结合在一个分层框架中。任务分配模块避免了智能体之间的冲突，而情景记忆集成模块则提供了长期上下文信息，使管理者能够做出更明智的决策。这种结合使得MiTa能够更好地理解任务并促进全局一致的任务分配。

关键设计：任务分配模块可以使用不同的分配策略，例如基于规则的分配或基于学习的分配。总结模块可以使用不同的摘要算法，例如基于关键词提取的摘要或基于语义相似度的摘要。情景记忆可以使用不同的存储结构，例如循环缓冲区或键值存储。具体的参数设置、损失函数、网络结构等技术细节在论文中可能未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MiTa在复杂多智能体协作任务中表现出优越的性能。具体的数据和对比基线方法在摘要中未提及，属于未知信息。但结论明确指出，MiTa在效率和适应性方面优于现有的强大基线方法，证明了其有效性。

🎯 应用场景

MiTa框架可应用于各种需要多智能体协作的复杂任务，例如机器人协同操作、智能交通调度、分布式计算等。该研究有助于提升多智能体系统的效率和可靠性，促进人工智能在实际场景中的应用。未来，可以探索将MiTa框架与其他技术相结合，例如强化学习、知识图谱等，以进一步提升其性能。

📄 摘要（原文）

Recent advances in large language models (LLMs) have substantially accelerated the development of embodied agents. LLM-based multi-agent systems mitigate the inefficiency of single agents in complex tasks. However, they still suffer from issues such as memory inconsistency and agent behavioral conflicts. To address these challenges, we propose MiTa, a hierarchical memory-integrated task allocative framework to enhance collaborative efficiency. MiTa organizes agents into a manager-member hierarchy, where the manager incorporates additional allocation and summary modules that enable (1) global task allocation and (2) episodic memory integration. The allocation module enables the manager to allocate tasks from a global perspective, thereby avoiding potential inter-agent conflicts. The summary module, triggered by task progress updates, performs episodic memory integration by condensing recent collaboration history into a concise summary that preserves long-horizon context. By combining task allocation with episodic memory, MiTa attains a clearer understanding of the task and facilitates globally consistent task distribution. Experimental results confirm that MiTa achieves superior efficiency and adaptability in complex multi-agent cooperation over strong baseline methods.