🤖 AI

TCP-MCP: Landscape-Guided Co-Evolution of Prompts and Communication Topologies for Multi-Agent Systems

Das Papier stellt TCP-MCP vor, ein Co-Evolution-Framework, das Agenten-Prompts und Kommunikationstopologien gemeinsam optimiert, um auf komplexen Benchmarks eine hohe Genauigkeit zu erreichen und gleichzeitig die Token-Kosten im Vergleich zu bestehenden Multi-Agenten-Systemen erheblich zu senken.

Ursprüngliche Autoren: Yi Ding, Zijie Xuan, Haowei Zhou, Zhenyu Ju, Xiaoxiao Dong, Jingwen Zhang, Xingyu Zhu, Leixin Sun, Haochi Zhang

Veröffentlicht 2026-05-28

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yi Ding, Zijie Xuan, Haowei Zhou, Zhenyu Ju, Xiaoxiao Dong, Jingwen Zhang, Xingyu Zhu, Leixin Sun, Haochi Zhang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein sehr schwieriges Rätsel zu lösen, wie etwa ein komplexes mathematisches Problem oder ein kniffliges Rätsel. Sie haben ein Team von KI-Agenten (intelligente Computerprogramme), das Ihnen hilft.

In der Vergangenheit versuchten Forscher, zwei Probleme getrennt zu lösen:

Die Anweisungen (Prompts): Das Verfassen des perfekten Regelbuchs für jeden Agenten darüber, wie er denken soll.
Die Teamstruktur (Topologie): Die Entscheidung, wer mit wem spricht und in welcher Reihenfolge.

Die Autoren dieses Papiers, TCP-MCP, erkannten, dass das getrennte Durchführen dieser beiden Dinge so ist, als würde man versuchen, einen Automotor zu entwerfen, ohne zu wissen, wie das Fahrgestell aussieht, oder umgekehrt. Wenn Sie einem Agenten eine brillante Anweisung geben, dieser Agent aber in einer Teamstruktur feststeckt, in der er nie die richtigen Informationen erhält, wird er scheitern. Umgekehrt ist eine perfekte Teamstruktur nutzlos, wenn die Agenten nicht wissen, was sie mit den erhaltenen Informationen anfangen sollen.

Die große Idee: Ein „einheitliches Genom"

Die Autoren schlagen eine neue Art vor, diese Teams aufzubauen. Anstatt die Anweisungen und die Teamstruktur getrennt zu entwerfen, behandeln sie sie als ein einziges Paket – ein „einheitliches Genom".

Stellen Sie sich das wie die Zucht von Hunden vor. Sie wählen nicht einfach die beste Fellfarbe aus und dann separat die beste Größe. Sie züchten den ganzen Hund, weil das Fell und die Größe zusammenwirken. TCP-MCP macht dasselbe für KI-Teams. Es entwickelt die Anweisungen und die Teamstruktur gleichzeitig weiter.

Wie es funktioniert: Die „Landschaft" und die „Karte"

Das Papier beschreibt einen Prozess namens Koevolution. So gehen sie dabei vor, unter Verwendung einfacher Analogien:

1. Die initiale Sondierung (Der Landschafts-Scan)
Bevor sie die schwere Arbeit beginnen, nimmt das System einen schnellen „Geruchstest" des Problems vor. Es betrachtet einige zufällige Teamkonfigurationen, um zu sehen, wie „zerklüftet" das Terrain ist. Ist die Lösung leicht zu finden, oder ist sie in einem tiefen Tal verborgen? Dies hilft ihnen zu entscheiden, wie sie ihre Suche beginnen, damit sie nicht sofort stecken bleiben.

2. Die Evolution (Die Züchtung besserer Teams)
Das System erstellt eine Population verschiedener KI-Teams. Dann spielt es ein Spiel des „Überlebens des Stärkeren" mit drei Zielen:

Genauigkeit: Haben sie das Rätsel korrekt gelöst?
Kosten: Haben sie zu viele Computer-Token (Wörter/Energie) verbraucht?
Komplexität: Ist die Teamstruktur zu unübersichtlich und kompliziert?

3. Der „Paarungs"-Prozess (Crossover & Mutation)
Hier geschieht die Magie. Das System nimmt zwei gute Teams und mischt sie:

Strukturelles Crossover: Stellen Sie sich vor, Sie nehmen die „Planungsabteilung" aus Team A und die „Prüfabteilung" aus Team B und kleben sie zusammen.
Prompt-Vererbung: Wenn eine Abteilung in ein neues Team wechselt, behält sie ihr ursprüngliches Anleitungsbuch. Da sie jedoch nun mit anderen Personen spricht, verändert sich ihr Verhalten natürlich, um sich an den neuen Kontext anzupassen.
Mutation: Manchmal nimmt das System zufällige Änderungen vor, wie das Hinzufügen einer neuen Person zum Team, das Entlassen jemandes oder das Umschreiben eines Anleitungsbuchs, um zu sehen, ob es hilft.

4. Die Pareto-Front (Die „Goldlöckchen"-Zone)
Das System sucht nicht nur nach dem einen „besten" Team. Es sucht nach einer Pareto-Front.

Analogie: Stellen Sie sich vor, Sie kaufen ein Auto. Sie wollen, dass es schnell, billig und sicher ist. Normalerweise können Sie nicht alle drei haben. Die „Pareto-Front" ist die Liste der Autos, bei denen Sie nicht schneller werden können, ohne mehr Geld zu zahlen, oder nicht billiger werden können, ohne die Sicherheit zu opfern.
TCP-MCP findet eine ganze Auswahl dieser „Goldlöckchen"-Teams und bietet Ihnen Optionen, die Geschwindigkeit, Kosten und Komplexität ausbalancieren.

Was sie fanden (Die Ergebnisse)

Die Forscher testeten dies an drei berühmten „Rätsel"-Datensätzen (MMLU, MMLU-Pro und GSM8K), die Allgemeinwissen, knifflige Multiple-Choice-Fragen und mathematische Probleme testen.

Die Konkurrenz schlagen: TCP-MCP schlug andere automatisierte Methoden, die nur versuchen, die Teamstruktur zu entwerfen (wie „G-Designer").
Geld sparen: Im Vergleich zu anderen leistungsstarken Systemen, die massive Mengen an Rechenleistung verbrauchen (wie „LLM-Debate", bei dem Agenten endlos debattieren), erreichte TCP-MCP eine ähnliche oder bessere Genauigkeit und verwendete dabei bis zu 5,69-mal weniger Token. Es ist, als würde man die Leistung eines Ferraris mit dem Kraftstoffverbrauch eines Honda erzielen.
Aufgabenanpassung: Das System lernte, verschiedene Arten von Teams für verschiedene Probleme zu bauen.
- Für Mathematik baute es eine schlanke, zweiköpfige Kette: Eine Person analysiert, eine Person berechnet.
- Für Allgemeinwissen baute es eine dreiköpfige Prüfkette: Eine Person prüft Fakten, eine Person prüft Optionen, eine Person löst.

Das Fazit

Das Papier behauptet, dass Multi-Agent-Systeme nicht nur darum gehen, gute Prompts zu schreiben oder gute Diagramme zu zeichnen. Sie sind ein gekoppeltes System. Indem TCP-MCP die Anweisungen und die Teamstruktur gemeinsam weiterentwickelt, entstehen intelligentere, günstigere und effizientere KI-Teams, die sich spezifisch an die jeweilige Aufgabe anpassen.

Es geht nicht darum, die „perfekte" einzelne Antwort zu finden; es geht darum, das perfekte Gleichgewicht zu finden zwischen der Erledigung der Aufgabe, dem Geldsparen und der Einfachheit des Teams.

Technische Zusammenfassung: TCP-MCP

Problemstellung

Die Arbeit identifiziert eine fundamentale Einschränkung im aktuellen Design von Multi-Agenten-Systemen (MAS): die Isolierung des Prompt-Engineerings von der Optimierung der Kommunikationstopologie. Bestehende Workflows behandeln Agenten-Prompts und Kommunikationsgraphen oft als separate Designobjekte. Die Autoren argumentieren jedoch, dass das Verhalten von Agenten inhärent von den empfangenen Informationen abhängt (die durch die Topologie bestimmt werden), während der Nutzen einer Kommunikationskante davon abhängt, wie der empfangende Agent diese Informationen interpretiert (bestimmt durch seinen Prompt). Diese Kopplung legt nahe, dass eine unabhängige Optimierung von Prompts und Topologien zu suboptimalen Systemen führt, da ein Prompt, der unter einem Kommunikationsmuster effektiv ist, unter einem anderen versagen kann. Die Kernherausforderung besteht darin, einen hochdimensionalen, hybriden Raum zu durchsuchen, der diskrete strukturelle Entscheidungen (Topologie) mit semantischen Wahlmöglichkeiten (Prompts) kombiniert, ohne vorzeitig zu konvergieren oder kritische Interaktionen zu übersehen.

Methodik: TCP-MCP

Die Autoren schlagen TCP-MCP (Topology-Coupled Prompting for Multi-Agent Collaborative Problem-Solving) vor, ein landschaftsgeführtes Ko-Evolutions-Framework, das Prompts und Kommunikations-Topologie als ein einheitliches „Genom" behandelt.

1. Einheitliche Genom-Repräsentation

Ein Kandidaten-MAS wird als gerichteter Graph $G = (V, E)$ dargestellt, wobei Knoten rollenspezifische Agenten sind. Das System wird als einheitliches Genom $M = (G, P)$ kodiert, wobei $P$ Knoten-zu-Rollen-Prompt-Zuweisungen enthält. Entscheidend ist, dass Prompt-Vorlagen unabhängig von der Topologie gespeichert, aber zur Laufzeit basierend auf dem eingehenden Nachbarschaftskontext ( $N^-(v_i; G)$ ) instanziiert werden. Dies ermöglicht es, dass sich das Verhalten eines Knotens an die Graphstruktur anpasst, selbst wenn seine gespeicherte Vorlage unverändert bleibt.

2. Multi-Objektive Optimierung

Das Framework optimiert drei konkurrierende Ziele gleichzeitig:

Aufgabenleistung ( $A(M)$ ): Genauigkeit bei der Zielaufgabe.
Token-Kosten ( $C(M)$ ): Minimierung der Token-Nutzung.
Strukturelle Komplexität ( $K(G)$ ): Eine Funktion der Anzahl der Knoten und Kanten, die logarithmisch bestraft wird, um zu verhindern, dass die Komplexität das Ranking dominiert.

Das Ziel ist es, eine Pareto-Menge von Lösungen zu finden, die diese Ziele gegeneinander abwägen.

3. Evolutionsärer Suchprozess

Die Suche verläuft durch drei Hauptphasen:

Initialisierung & Landschaftserkundung: Das Framework verwendet Latin-Hypercube-Sampling (LHS), um eine diverse Anfangspopulation zu generieren. Während der Initialisierung wird ein skalärer Präferenzwert und die Fitness-Distanz-Korrelation (FDC) berechnet, um das frühe Suchverhalten zu kalibrieren und zu identifizieren, ob Kandidaten mit hoher Präferenz in der Nähe des aktuellen Besten gruppiert sind.
Ko-Evolution (Variation):
- Struktureller Crossover: Verwendet Prompt-Minimale-Inheritance (PMI). Anstatt Prompt-Strings zu mischen, rekombiniert der Operator topologische Teilgraphen. Empfängerknoten behalten ihre ursprünglichen Prompts, während transplantierte Knoten, falls verfügbar, Prompts des Spenders erben oder leichte Standardwerte verwenden. Dies bewahrt die Prompt-Stabilität und ermöglicht gleichzeitig strukturelle Rekombination.
- Mutation: Umfasst Topologie-Mutation (Hinzufügen/Entfernen von Kanten/Knoten), Rollen-Mutation (Ändern der Agenten-Identitäten und Neugenerierung von Prompts über einen PromptMutator) und Radikale Mutation (Einführung großer struktureller Änderungen wie Ketten-/Baum-/Stern-Topologien).
Adaptive Steuerung & Selektion:
- Umweltselektion: Verwendet eingeschränktes NSGA-II mit Elitismus. Eine dynamische Genauigkeitsuntergrenze stellt sicher, dass Kandidaten mit niedrigen Kosten nicht ausgewählt werden, wenn ihre Genauigkeit zu gering ist.
- Erhaltung der Vielfalt: Setzt bin-basierte Nischenbildung auf Token-Kosten und strukturelle Komplexität ein, um eine Überbelegung um bestimmte Trade-off-Punkte zu verhindern.
- Landschaftsreaktion: Anstatt die FDC neu zu berechnen, überwacht das System generationsübergreifende Pareto-Diagnostik (Hypervolumen, Abstand, Frontlücken). Ein daraus abgeleiteter Reaktionsindex steuert die adaptive Exploration und erhöht den Mutations- und Injektionsdruck, wenn die Front stagniert oder die Vielfalt abnimmt.

Hauptbeiträge

Problemformulierung: Die Arbeit formuliert das MAS-Design als simultanes Ko-Evolutionsproblem über ein einheitliches Genom und modelliert explizit die Kopplung zwischen Prompt-Verhalten und Kommunikations-Topologie.
Praktisches Framework: TCP-MCP stellt ein landschaftsinformiertes Ko-Evolutions-Framework vor, das Folgendes umfasst:
- Eine einheitliche Genom-Repräsentation.
- Prompt-Minimale-Inheritance (PMI) für strukturellen Crossover.
- Adaptive Steuerungsmechanismen, die von Pareto-Front-Diagnostik angetrieben werden, nicht von statischen Plänen.
Experimentelle Validierung: Die Autoren zeigen, dass die gemeinsame Evolution von Prompts und Topologie im Vergleich zu Baselines für automatische Graph-Generierung überlegene Ergebnisse liefert und im Vergleich zu teuren Debatten-Systemen konkurrenzfähige Ergebnisse erzielt, wobei klare Pareto-Trade-offs offengelegt werden.

Experimentelle Ergebnisse

Das Framework wurde mit dem DeepSeek-V3.2-Backbone auf MMLU, MMLU-Pro und GSM8K evaluiert.

Leistung: TCP-MCP erreichte eine Genauigkeit von 89,96% auf MMLU, 82,66% auf MMLU-Pro und 96,61% auf GSM8K.
Vergleich:
- Es übertraf G-Designer (die stärkste Baseline für automatische Graph-Generierung) bei allen drei Benchmarks.
- Im Vergleich zu LLM-Debate erreichte TCP-MCP konkurrenzfähige Genauigkeit (auf MMLU/MMLU-Pro leicht niedriger, auf GSM8K leicht höher) bei deutlich geringerem Token-Verbrauch (bis zu 5,69× weniger auf MMLU-Pro).
- Es übertraf konsistent Baselines mit fester Topologie (Vollgraph, Zufallsgraph) und allgemeine Workflow-Frameworks (AutoGen, ChatDev, MetaGPT).
Resilienz: Evolvierte Strukturen zeigten Transferierbarkeit über Datensätze hinweg (z. B. von MMLU zu MMLU-Pro) und Backbones (von DeepSeek-V3.2 zu GPT-4) und behielten eine starke Leistung ohne erneutes Durchlaufen der Suche bei.
Ablationsstudien:
- Das Entfernen des strukturellen Crossovers verursachte den größten Leistungsabfall und unterstreicht die Bedeutung der Rekombination von Prompt-Topologie-Modulen.
- Das Entfernen der Mutation reduzierte die Leistung und erhöhte den Token-Verbrauch, was darauf hindeutet, dass Mutation für die Exploration über die Rekombination hinaus notwendig ist.
- Eine sequenzielle Variante (zuerst Prompts, dann Topologie optimieren) schnitt schlechter ab als der simultane Ko-Evolutionsansatz und validiert die Notwendigkeit einer gemeinsamen Optimierung.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass die gemeinsame Evolution von Prompts und Kommunikationsstruktur einen praktischen Weg zu kostensensiblem und aufgabenadaptivem Multi-Agenten-System-Design bietet. Die Bedeutung liegt in der Verschiebung des MAS-Baus von einem fragmentierten Prozess (separates Prompt-Engineering und Topologie-Design) hin zu einem systemweiten Kopplungs-Optimierungsproblem.

Die Autoren betonen, dass TCP-MCP nicht nur ein einzelnes „bestes" System findet, sondern eine Pareto-Menge von Designs entdeckt, die es Praktikern ermöglicht, Betriebspunkte basierend auf spezifischen Einschränkungen hinsichtlich Genauigkeit, Kosten und Komplexität auszuwählen. Die Ergebnisse deuten darauf hin, dass die „Kopplung" von Prompt und Topologie ein kritischer, oft übersehener Faktor für die MAS-Leistung ist und dass die Behandlung als einheitliches Suchobjekt robustere und effizientere Systeme liefert als isolierte Optimierungsstrategien.

Von den Autoren festgestellte Einschränkungen:

Die Evaluation beschränkt sich auf einen festen Backbone (DeepSeek-V3.2) und feste Entwicklungs-Teilmengen.
Ausgewählte Betriebspunkte können mehr Token benötigen als die absolut kostengünstigsten Baselines, bieten jedoch bessere Genauigkeits-Kosten-Trade-offs.
Die aktuelle Arbeit konzentriert sich auf statische Topologien, die vor der Evaluation ausgewählt werden, und lässt dynamische Kommunikation und Anpassung über lange Horizonte für zukünftige Arbeiten offen.