Inherit-MAS: Test-Time Evolution of Multi-Agent Systems through Workflow and Execution Inheritance

📄 arXiv: 2610.02396v1 📥 PDF

作者: Songtao Wei, Yi Li, Zhichun Guo, Bingzhe Li

分类: cs.LG, cs.AI

发布日期: 2026-10-01

💡 一句话要点

提出Inherit-MAS以优化多智能体系统的工作流与执行过程

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

关键词: 多智能体系统 工作流优化 执行继承 动态调整 大型语言模型

📋 核心要点

  1. 现有的多智能体系统在设计有效工作流时面临挑战，尤其是在动态环境中，难以平衡工作流的优化与执行效率。
  2. Inherit-MAS通过引入工作流和执行的继承机制，优化了工作流的设计与执行过程，减少了冗余计算。
  3. 实验表明，Inherit-MAS在WorkBench和HotpotQA FullWiki上分别实现了55.4%和49.7%的性能，显著优于现有基线方法。

📝 摘要（中文）

多智能体系统（MAS）利用大型语言模型协调专门的代理以应对复杂任务，但有效的工作流设计困难。测试时演化通过执行反馈优化工作流，但广泛的修订可能会干扰有用组件，而重新执行未更改的请求则会导致冗余计算。Inherit-MAS通过在工作流和执行层面明确继承，提出了一种新方法。该方法通过元模型合成工作代理的工作流，并由单独的评估者对每个执行候选进行评分和缺陷诊断。在普通的优化轮次中，工作流继承从最新完成的候选开始，丢弃被判断为无用的节点，并应用经过验证的编辑以解决诊断出的缺陷。执行继承则在请求和执行上下文完全匹配时，仅继承合格的存储结果，从而避免冗余的模型和工具调用。实验结果显示，Inherit-MAS在多个基准上超越了现有方法。

🔬 方法详解

问题定义：本论文旨在解决多智能体系统中工作流设计的复杂性和执行过程中的冗余计算问题。现有方法在动态环境中难以有效调整工作流，导致效率低下。

核心思路：Inherit-MAS通过引入工作流和执行的继承机制，使得在执行反馈的基础上进行优化，避免了不必要的计算和资源浪费。

技术框架：该方法包括两个主要模块：元模型合成工作流和评估者评分。元模型负责生成工作代理的工作流，而评估者则对执行结果进行评分和缺陷诊断。

关键创新：Inherit-MAS的核心创新在于将继承机制应用于工作流和执行层面，允许在执行过程中动态调整工作流，显著提高了系统的适应性和效率。

关键设计：在设计中，工作流继承从最新的候选开始，丢弃无用节点，并应用经过验证的编辑。执行继承则在请求和上下文匹配时，仅继承有效结果，从而减少冗余调用。实验中还优化了模型和工具的调用策略。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

Inherit-MAS在WorkBench上实现了55.4%的完成率，在HotpotQA FullWiki上达到了49.7%的联合F1分数，均超越了EvoAgent、EvoMAS和TacoMAS等基线方法。同时，执行继承在WorkBench和HotpotQA上分别减少了29.1%和34.6%的工作者令牌使用，显示出显著的资源节约效果。

🎯 应用场景

Inherit-MAS的研究成果可广泛应用于复杂任务的自动化处理，如智能客服、自动驾驶和机器人协作等领域。通过优化工作流和执行过程，该方法能够提高系统的响应速度和处理效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Multi-agent systems (MAS) built from large language models coordinate specialized agents to tackle complex tasks, but effective workflows are difficult to design in advance. Test-time evolution refines workflows using execution feedback, yet broad revisions can disturb useful components, while re-executing unchanged requests can incur redundant computation. Inspired by the interplay of inheritance and selection in biological evolution, we introduce Inherit-MAS, which makes inheritance explicit at the workflow and execution levels. A meta-model first synthesizes a workflow of worker agents with declared roles, communication inputs, and tool permissions, and a separately prompted judge scores each executed candidate and diagnoses its deficiencies. In ordinary refinement rounds, \emph{workflow inheritance} starts from the latest completed candidate, may discard removable nodes judged unhelpful, and applies a validated edit to address the diagnosed deficiency. When the new candidate executes, \emph{execution inheritance} inherits eligible stored results only if the complete resolved request and execution context match, avoiding redundant model and tool calls. With GPT-4o-mini workers, Inherit-MAS achieves 55.4\% completion on WorkBench and 49.7\% joint F1 on HotpotQA FullWiki, outperforming EvoAgent, EvoMAS, and TacoMAS. With Qwen3-32B workers, it also exceeds these evolving-MAS baselines on both benchmarks. Compared with rerunning the same controller with execution inheritance disabled, execution inheritance reduces worker-token usage by 29.1\% on WorkBench and 34.6\% on HotpotQA, and total token usage by 5.3\% and 18.1\%.