D3MAS: Decompose, Deduce, and Distribute for Enhanced Knowledge Sharing in Multi-Agent Systems
作者: Heng Zhang, Yuling Shi, Xiaodong Gu, Haochen You, Zijian Zhang, Lubin Gan, Yilei Yuan, Jin Huang
分类: cs.GR
发布日期: 2025-10-12 (更新: 2025-12-22)
备注: This submission has been withdrawn by the authors due to a fundamental error in the methodology that affects the validity of the main results
💡 一句话要点
D3MAS：通过分解、推导和分发增强多智能体系统中的知识共享
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 知识共享 知识冗余 协同推理 任务分解 分布式记忆 大型语言模型
📋 核心要点
- 现有基于LLM的多智能体系统存在知识冗余，导致智能体重复检索和推理，效率低下。
- D3MAS框架通过分解任务、协同推理和分布式记忆，确保智能体共享最少且充分的信息。
- 实验表明，D3MAS在多个数据集上显著提高了推理准确率，并有效降低了知识冗余。
📝 摘要（中文）
基于大型语言模型的多智能体系统在协同问题解决方面表现出强大的能力。然而，这些系统存在严重的知识冗余问题，智能体在检索和推理过程中重复工作。这种低效率源于一个更深层的问题：当前的架构缺乏确保智能体在每个操作阶段共享最少充分信息的机制。实证分析表明，智能体通信中的平均知识重复率高达47.3%。我们提出了D3MAS（分解、推导和分发），一个分层协调框架，通过结构设计而非显式优化来解决冗余问题。该框架组织跨三个协调层的协作：任务分解尽早过滤掉不相关的子问题；协同推理捕获智能体之间互补的推理路径；分布式记忆提供对非冗余知识的访问。这些层通过统一异构图中的结构化消息传递进行协调。这种跨层对齐确保信息与实际任务需求保持一致。在四个具有挑战性的数据集上的实验表明，D3MAS始终将推理准确率提高8.7%至15.6%，并将知识冗余平均降低46%。
🔬 方法详解
问题定义：论文旨在解决多智能体系统中普遍存在的知识冗余问题。现有方法缺乏有效的机制来确保智能体之间共享最少且充分的信息，导致重复的检索和推理工作，降低了整体效率。现有方法没有充分利用任务的结构化信息，导致智能体处理大量不相关的信息。
核心思路：D3MAS的核心思路是通过分层协调的结构化设计，在任务分解、协同推理和知识共享三个层面减少冗余。通过任务分解过滤不相关信息，协同推理利用不同智能体的互补推理路径，分布式记忆存储非冗余知识，从而提高效率和准确性。这种设计避免了显式的优化，而是通过架构本身来减少冗余。
技术框架：D3MAS框架包含三个主要层：任务分解层、协同推理层和分布式记忆层。任务分解层将原始任务分解为更小的子任务，并分配给不同的智能体。协同推理层允许智能体之间共享推理结果，从而利用彼此的知识和推理能力。分布式记忆层存储智能体共享的知识，并确保知识的非冗余性。这些层通过统一的异构图进行协调，实现结构化消息传递。
关键创新：D3MAS的关键创新在于其分层协调的结构化设计，通过任务分解、协同推理和分布式记忆三个层面来减少知识冗余。与现有方法相比，D3MAS不是通过显式优化来减少冗余，而是通过架构本身来确保智能体共享最少且充分的信息。这种结构化设计使得D3MAS能够更有效地利用任务的结构化信息，并提高整体效率和准确性。
关键设计：D3MAS使用异构图来表示智能体之间的关系和知识依赖关系。任务分解层使用启发式算法或机器学习模型来分解任务。协同推理层使用消息传递机制来实现智能体之间的知识共享。分布式记忆层使用键值存储或图数据库来存储非冗余知识。具体的参数设置和网络结构取决于具体的应用场景和数据集。
🖼️ 关键图片
📊 实验亮点
D3MAS在四个具有挑战性的数据集上进行了评估，实验结果表明，D3MAS始终将推理准确率提高8.7%至15.6%，并将知识冗余平均降低46%。与现有的多智能体系统相比，D3MAS在推理准确率和知识冗余方面都取得了显著的提升，证明了其有效性和优越性。这些结果表明，D3MAS是一种有前景的多智能体系统架构。
🎯 应用场景
D3MAS框架可应用于各种需要多智能体协同解决问题的场景，例如：智能交通系统、供应链管理、金融风险控制、医疗诊断等。通过减少知识冗余和提高推理效率，D3MAS可以显著提升这些系统的性能和可扩展性，并降低运营成本。未来，D3MAS有望成为构建高效多智能体系统的通用框架。
📄 摘要（原文）
Multi-agent systems powered by large language models exhibit strong capabilities in collaborative problem-solving. However, these systems suffer from substantial knowledge redundancy. Agents duplicate efforts in retrieval and reasoning processes. This inefficiency stems from a deeper issue: current architectures lack mechanisms to ensure agents share minimal sufficient information at each operational stage. Empirical analysis reveals an average knowledge duplication rate of 47.3\% across agent communications. We propose D3MAS (Decompose, Deduce, and Distribute), a hierarchical coordination framework addressing redundancy through structural design rather than explicit optimization. The framework organizes collaboration across three coordinated layers. Task decomposition filters irrelevant sub-problems early. Collaborative reasoning captures complementary inference paths across agents. Distributed memory provides access to non-redundant knowledge. These layers coordinate through structured message passing in a unified heterogeneous graph. This cross-layer alignment ensures information remains aligned with actual task needs. Experiments on four challenging datasets show that D3MAS consistently improves reasoning accuracy by 8.7\% to 15.6\% and reduces knowledge redundancy by 46\% on average.