GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems
作者: Hongjiang Chen, Xin Zheng, Yixin Liu, Pengfei Jiao, Shiyuan Li, Huan Liu, Zhidong Zhao, Ziqi Xu, Ibrahim Khalil, Shirui Pan
分类: cs.LG, cs.AI, cs.MA
发布日期: 2026-03-20
💡 一句话要点
GoAgent：面向LLM多智能体系统的基于群体通信拓扑生成方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 通信拓扑生成 大型语言模型 群体智能 条件信息瓶颈
📋 核心要点
- 现有方法在多智能体系统中生成通信拓扑时，缺乏对群体结构的显式建模，导致协调效率低下和通信开销过大。
- GoAgent将协作群体视为原子单元，通过LLM枚举候选群体并自回归地连接它们，从而显式地构建通信拓扑。
- 实验结果表明，GoAgent在多个基准测试中取得了最先进的性能，并在准确率和token消耗方面均优于现有方法。
📝 摘要（中文）
基于大型语言模型（LLM）的多智能体系统（MAS）在解决复杂任务方面表现出卓越的能力，但其有效性很大程度上取决于协调智能体交互的底层通信拓扑。在这些系统中，成功的问题解决通常需要特定于任务的群体结构来分解和征服子任务。然而，大多数现有方法以节点为中心生成通信拓扑，使得群体结构隐式地从局部连接决策中涌现，而不是显式地建模它们，这通常导致次优的协调和不必要的通信开销。为了解决这个局限性，我们提出GoAgent（Group-of-Agents），一种通信拓扑生成方法，它显式地将协作群体视为MAS构建的原子单元。具体来说，GoAgent首先通过LLM枚举与任务相关的候选群体，然后自回归地选择和连接这些群体作为原子单元来构建最终的通信图，共同捕获组内凝聚力和组间协调。为了减轻扩展拓扑中固有的通信冗余和噪声传播，我们进一步引入了条件信息瓶颈（CIB）目标，该目标压缩组间通信，保留与任务相关的信号，同时过滤掉冗余的历史噪声。在六个基准上的大量实验表明，GoAgent具有最先进的性能，平均准确率达到93.84%，同时减少了约17%的token消耗。
🔬 方法详解
问题定义：现有基于LLM的多智能体系统在构建通信拓扑时，通常以节点（智能体）为中心，缺乏对智能体群体结构的显式建模。这种隐式建模方式导致智能体间的协调效率低下，产生不必要的通信开销，最终影响整体任务的解决效果。因此，如何有效地构建能够反映任务特点的智能体群体通信拓扑是亟待解决的问题。
核心思路：GoAgent的核心思路是将智能体群体（Group-of-Agents）视为构建通信拓扑的基本单元，而非单个智能体。通过显式地枚举和连接这些群体，GoAgent能够更好地捕捉组内智能体的凝聚力和组间智能体的协调关系，从而生成更优的通信拓扑结构。这种以群体为中心的建模方式能够更有效地利用LLM的推理能力，生成更符合任务需求的通信结构。
技术框架：GoAgent的整体框架包含以下几个主要阶段：1) 候选群体枚举：利用LLM生成与任务相关的候选智能体群体。2) 自回归拓扑构建：自回归地选择和连接这些群体，构建最终的通信图。3) 条件信息瓶颈（CIB）优化：通过CIB目标压缩组间通信，保留任务相关信息，过滤冗余噪声。整个流程旨在显式地建模智能体群体间的关系，并优化通信效率。
关键创新：GoAgent的关键创新在于其以群体为中心的通信拓扑生成方法。与传统的节点中心方法不同，GoAgent直接操作智能体群体，从而能够更有效地利用LLM的推理能力，生成更符合任务需求的通信结构。此外，CIB目标的引入进一步提升了通信效率，减少了冗余信息传递。
关键设计：GoAgent的关键设计包括：1) LLM提示工程：设计合适的LLM提示，以有效地枚举候选智能体群体。2) 自回归连接策略：设计自回归连接策略，以确保生成的通信拓扑具有良好的连通性和协调性。3) 条件信息瓶颈（CIB）损失函数：设计CIB损失函数，以压缩组间通信，保留任务相关信息。CIB损失函数的具体形式未知，需要查阅论文原文。
🖼️ 关键图片
📊 实验亮点
GoAgent在六个基准测试中取得了显著的性能提升，平均准确率达到93.84%，超过了现有最先进的方法。同时，GoAgent还能够有效降低token消耗，平均减少约17%。这些实验结果表明，GoAgent在提升任务解决效率和降低通信成本方面具有显著优势。
🎯 应用场景
GoAgent可应用于各种需要多智能体协作的复杂任务，例如：软件开发、自动驾驶、智能交通、金融交易、科学研究等。通过优化智能体间的通信拓扑，GoAgent能够提升任务解决效率和质量，降低通信成本，具有广泛的应用前景和实际价值。未来，该方法有望进一步扩展到更大规模、更复杂的智能体系统。
📄 摘要（原文）
Large language model (LLM)-based multi-agent systems (MAS) have demonstrated exceptional capabilities in solving complex tasks, yet their effectiveness depends heavily on the underlying communication topology that coordinates agent interactions. Within these systems, successful problem-solving often necessitates task-specific group structures to divide and conquer subtasks. However, most existing approaches generate communication topologies in a node-centric manner, leaving group structures to emerge implicitly from local connectivity decisions rather than modeling them explicitly, often leading to suboptimal coordination and unnecessary communication overhead. To address this limitation, we propose GoAgent (Group-of-Agents), a communication topology generation method that explicitly treats collaborative groups as the atomic units of MAS construction. Specifically, GoAgent first enumerates task-relevant candidate groups through an LLM and then autoregressively selects and connects these groups as atomic units to construct the final communication graph, jointly capturing intra-group cohesion and inter-group coordination. To mitigate communication redundancy and noise propagation inherent in expanding topologies, we further introduce a conditional information bottleneck (CIB) objective that compresses inter-group communication, preserving task-relevant signals while filtering out redundant historical noise. Extensive experiments on six benchmarks demonstrate the state-of-the-art performance of GoAgent with 93.84% average accuracy while reducing token consumption by about 17%.