Learning to Recommend Multi-Agent Subgraphs from Calling Trees

技術要約：コーリングツリーからのマルチエージェント・サブグラフの学習による推奨

問題定式化
本論文は、エージェント・マーケットプレイスが数千の異種混合エージェントを含む規模へと拡大する中で、マルチエージェント・システム（MAS）における決定的なギャップを扱っている。既存のリコメンダー・システムは、平坦なユーザー・アイテムのログ（例：電子商取引）に基づく個々のアイテムのランキングには優れているが、エージェントのオーケストレーションにおける構造的、逐次的、かつ相互作用依存的な性質に対処できていない。MASにおいて、エージェントの選択は終端的な決定ではなく、システムの状態を変化させ、依存関係を誘発し、後続の選択の適合性に影響を与える「介入」である。核心となる課題は、多くのエージェントが機能的に重複していることであり、したがって、選択は純粋な検索問題として扱うことはできない。オーケストレーターは、単に関連性があるだけでなく、信頼でき、現在の実行コンテキストと互換性があり、かつ他の選択されたエージェントと協力可能であるエージェントを選択しなければならない。本論文では、これを制約付き決定問題として定式化しており、その目的は、サブタスクを実行するために、単一のエージェント（エージェント・レベル）または接続されたエージェントのチーム（システム・レベル／サブグラフ）を推奨することである。

手法
著者らは、平坦なログではなく、歴史的なコーリングツリー（親子の呼び出し、分岐依存関係、および局所的な協力パターンを捉えた実行トレース）に基づいた、汎用的な2段階制約付き推奨フレームワークを提案している。このフレームワークは、以下の2つのフェーズで動作する：

1. 実現可能性の構築（検索/Retrieval）: 検索モジュールが膨大なエージェント・プールをフィルタリングし、現在のサブタスクとコンテキストに条件付けられた、コンパクトで意味的に関連のある候補セット（エージェントの場合は $A_{feasible}$、エージェント・システムの場合は $G_{feasible}$）を構築する。この段階では、探索空間を縮小するために、既製の検索メカニズム（例：埋め込み類似度やLLMベースのツール呼び出し）に依存する。
2. 効用最適化（再ランキング/Reranking）: 実現可能な集合内において、学習されたスコアリング・モデルが効用最適化を行い、最適な選択肢を選出する。この段階では、関連性、信頼性、および相互作用の効果を考慮する。

本論文では、このフレームワークの具体的な2つのインスタンスを定義している：

• SARL (Single-Agent Recommendation Learning): 次の単一のエージェントまたはツールを選択する。これは、タスク・クエリのエンコーディング、エージェントの能力、グラフ構造の関係、歴史的な信頼性、およびリスト認識型のコンテキスト効果を組み込んだパラメトリックなスコアリング関数 $s_\theta(t, a)$ を使用する。
• ASRL (Agent-System Recommendation Learning): 小規模で接続されたエージェント・チーム（サブグラフ）を選択する。意思決定単位をグループへと一般化し、集団的な能力、内部の協力パターン、およびグローバルなグラフ内での構造的な適合性を集約するスコアリング関数 $s_\theta(t, g)$ を使用する。

両モデルは、観測された実行結果に対する損失関数（例：ソフトマックス交差エントロピー）を最小化することにより、歴史的なオーケストレーターのトレースを用いて訓練される。その際、選択されたエージェントまたはシステムが実現可能な集合に属することを保証する制約が課される。

主な貢献

1. 問題定式化: 本論文は、エージェントの推奨をMASにおける制約付き決定問題として特定・定式化し、マルチエージェント設定における従来のアイテムレベルの独立性の仮定の限界を浮き彫りにした。
2. 統一フレームワーク: 実現可能性の構築と効用最適化を分離した、2段階の「分割統治」フレームワークを導入し、エージェント・レベルとシステム・レベル（サブグラフ）の両方の推奨をサポートする。
3. 構造化データベンチマーク: 8つの異種混合マルチエージェント・コーパス（Agent-data-protocol、GTA、MCPToolBench++など）の呼び出しログを共有された構造化表現に正規化することで、一貫した評価を可能にする統一コーリングツリー・ベンチマークを構築した。
4. 実証的検証: 広範な実験により、提案手法が（直接検索、余弦類似度ランキング、およびシングルパスLLM選択といった）強力なベースライン戦略に対し、Top-1精度、安定性、および実行の一貫性の面で一貫して優れていることを示した。

結果

• 単一エージェント (SARL): 6つの中規模データセットにおいて、SARL（LLM検索 + 再ランキング）は、直接検索や余弦類似度ベースライン（例：Agent-data-protocolにおいて79.85% 対 40.0%）と比較して、優れたTop-1精度を達成した。この結果は、検索が強力な候補セットを提供する一方で、曖昧さを解消し最も信頼できるエージェントを選択するためには、教師ありの再ランキングが極めて重要であることを示している。
• システム・レベル (ASRL): ASRLのアプローチは、すべてのベンチマークにおいてほぼ完璧なTop-1精度（ほとんどのデータセットで100%）を達成した。論文では、グラフレベルの検索は単一エージェントの選択と比較して高い再現率をもたらし、意味的な曖昧さを軽減するため、学習されたランカーが正しいサブグラフをより確実に特定できることが述べられている。
• スケーラビリティ: トークン複雑性の分析によれば、2段階設計は直接検索と同じ $O$ 記法によるトークンコストでありながら、大幅な性能向上を提供しており、直接的なLLMスコアリングが計算量的に困難な大規模エージェント・プールにおいても実行可能である。

意義と主張
本論文は、効果的なマルチエージェント・オーケストレーションには、孤立したエージェントの選択を超えて、完全なサブグラフに対する推論を行い、コーリングツリーによる監督を活用する必要があると主張している。推奨を歴史的な実行構造に根ざすことで、提案されたフレームワークは、単なる互換性のあるツールのリストではなく、一貫性があり実行可能なエージェント・チームの構築を可能にする。著者らは、このアプローチが大規模なMASの信頼性、調整能力、およびエンドツーエンドの実行品質を大幅に向上させると断言している。

また、本論文には、歴史的なログに存在するバイアス（例：人気バイアス）の増幅や、マーケットプレイスの多様性の低下といった潜在的なリスクを認めるインパクト・ステートメントが含まれている。これらを緩和するためには、実用的なデプロイメントにおいて、実現可能な集合の中に明示的な安全性、予算、およびポリシーの制約を含める必要があることを示唆している。