PPAI: Enabling Personalized LLM Agent Interoperability for Collaborative Edge Intelligence

📄 arXiv: 2605.18067v1 📥 PDF

作者: Zile Wang, Qianli Liu, Kaibin Guo, Haodong Wang, Jian Lin, Zicong Hong, Song Guo

分类: cs.CL

发布日期: 2026-05-18

💡 一句话要点

PPAI：实现个性化LLM Agent互操作，赋能协同边缘智能

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

关键词: 边缘智能 LLM Agent 互操作性 P2P网络 负载均衡

📋 核心要点

  1. 现有边缘设备上的LLM Agent无法充分利用其他Agent的专长，限制了任务处理范围和效率。
  2. PPAI通过可扩展的查询-Agent评分机制和贝叶斯博弈，实现了Agent间的智能匹配和负载均衡。
  3. 实验表明，PPAI在提升任务准确率和降低延迟方面均优于基线方法，扩展了Agent的应用范围。

📝 摘要（中文）

本文提出PPAI，首个个性化LLM Agent互操作系统，旨在支持用户基于Agent专长进行协作。随着多样化个性化Agent的日益普及，用户可以将超出本地Agent能力的task委托给更适合的远程Agent。然而，与现有P2P系统相比，不断变化的Agent池及其可互换能力给查询-Agent匹配和负载均衡带来了新的挑战。为此，本文提出了一种基于原型（prototype）的可扩展查询-Agent对评分机制，用于在具有churn的P2P网络中识别合适的Agent。此外，本文还提出了一种多Agent互操作贝叶斯博弈，用于平衡本地需求和全局效率，以应对远程Agent负载变化过快而无法观察的情况。实验结果表明，PPAI显著扩展了可执行任务的范围，同时保持了负载均衡。与基线相比，PPAI在多个任务上的平均准确率提高了7.96%，延迟降低了16.34%。

🔬 方法详解

问题定义：论文旨在解决在边缘设备上部署的个性化LLM Agent之间如何有效协作的问题。现有方法缺乏有效的Agent发现和负载均衡机制，导致任务处理效率低下，无法充分利用不同Agent的专长。具体来说，挑战在于如何在Agent池动态变化的情况下，将用户的查询请求准确地匹配到合适的Agent，并避免某些Agent过载而其他Agent空闲的情况。

核心思路：论文的核心思路是构建一个P2P网络，允许Agent之间相互协作，并将用户的查询请求路由到最合适的Agent。为了解决Agent发现和负载均衡问题，论文提出了基于原型的查询-Agent评分机制和多Agent互操作贝叶斯博弈。前者用于评估查询和Agent之间的匹配程度，后者用于在Agent之间动态调整负载，以实现全局效率。

技术框架：PPAI系统的整体架构包含以下几个主要模块：1) 查询接收模块：接收用户的查询请求。2) Agent发现模块：基于原型评分机制，在P2P网络中搜索合适的Agent。3) 任务委托模块：将查询请求委托给选定的Agent。4) 结果返回模块：接收远程Agent返回的结果，并将其返回给用户。5) 负载均衡模块：基于贝叶斯博弈，动态调整Agent之间的负载。

关键创新：论文的关键创新在于提出了基于原型的查询-Agent评分机制和多Agent互操作贝叶斯博弈。基于原型的评分机制通过学习Agent的特征向量，实现了对Agent能力的快速评估。多Agent互操作贝叶斯博弈考虑了Agent的本地需求和全局效率，实现了动态的负载均衡。与现有方法相比，PPAI能够更准确地匹配查询和Agent，并更有效地平衡负载。

关键设计：在查询-Agent评分机制中，论文使用原型网络学习Agent的特征向量，并使用余弦相似度计算查询和Agent之间的匹配程度。在多Agent互操作贝叶斯博弈中，论文定义了Agent的收益函数，该函数同时考虑了本地需求和全局效率。论文还设计了一种迭代算法，用于求解贝叶斯博弈的纳什均衡，从而实现Agent之间的负载均衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PPAI在多个任务上的平均准确率提高了7.96%，延迟降低了16.34%。这些结果表明，PPAI能够有效地匹配查询和Agent，并实现负载均衡。与基线方法相比，PPAI能够显著扩展可执行任务的范围，并提高任务处理效率。实验还验证了PPAI的可扩展性，表明其能够适应大规模的Agent网络。

🎯 应用场景

PPAI可应用于各种边缘智能场景，例如智能家居、自动驾驶、工业自动化等。通过Agent之间的协作，可以实现更复杂、更智能的任务处理。例如，在智能家居场景中，不同的Agent可以分别负责语音识别、图像识别、自然语言处理等任务，通过协作可以实现更智能的家居控制。PPAI的未来发展方向包括支持更多类型的Agent、优化负载均衡算法、提高系统的可扩展性等。

📄 摘要（原文）

Deploying large language model (LLM) on edge device enables personalized LLM agents for various users. The growing availability of diverse personalized agents presents a unique opportunity for peer-to-peer (P2P) collaboration, wherein each user can delegate tasks beyond the local agent's expertise to remote agents more suited for the specific query. This paper introduces PPAI, the first personalized LLM agent interoperability system, which enables users to collaborate with each other based on agent specialization. However, the ever-changing pool of agents and their interchangeable capacity introduce new challenges when it comes to matching queries to agents and balancing loads, compared with existing P2P systems. Therefore, we propose a scalable query-agent pair scoring mechanism based on prototypes to identify suitable agents within a P2P network with churn. Moreover, we propose a multi-agent interoperability Bayesian game to balance local demand and global efficiency, when changes in remote agent load occur too quickly to be observed. Finally, we implement a prototype of PPAI and demonstrate that it substantially broadens the range of tasks that could be carried out while maintaining load balance. On average, it achieves an accuracy improvement of up to 7.96% across multiple tasks, while reducing latency by 16.34% compared to the baseline.