🤖 AI

EvoMAS: Learning Execution-Time Workflows for Multi-Agent Systems

EvoMAS は、メタレベルの逐次意思決定プロセスを通じて実行時ワークフローを動的に構築・適応させることを学習することで、静的なワンショットのマルチエージェント設計の限界を克服し、複雑で長期にわたるタスクにおける性能を大幅に向上させる新たなフレームワークである。

原著者： Chengdong Xu, Kaiqiang Ke, Ziheng Liu, Jiaqi Wei, Zibo Shao, Weile Guo, Chao Yu

公開日 2026-05-12

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Chengdong Xu, Kaiqiang Ke, Ziheng Liu, Jiaqi Wei, Zibo Shao, Weile Guo, Chao Yu

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

巨大で多段階の難題、例えば航空券の予約、ホテルの確保、ビザ要件の確認、そして日々の活動の計画立案といった複雑な旅行の計画を立てるような状況を想像してみてください。

従来の方法（「ワンショット」計画）
現在のほとんどのAIシステムは、家を出る前に厳格な旅行計画を立てる人物のように機能します。彼らは次のように決定します。「まずウェブを検索する。次にメールを書く。そして予算を計算する」。目的地を変更する必要があることに気づいたり、フライトがキャンセルされたことに気づいたりしても、その計画の最初から最後までこの厳密な計画に固執します。計画の最初が少し間違っていた場合、適応できないため、旅行全体が失敗します。

新しい方法：EvoMAS
この論文は、厳格な計画立案者よりも柔軟な遠征リーダーのように機能するシステム、EvoMAS を紹介しています。EvoMAS は、事前に固定されたスクリプトを書くのではなく、タスクが進行している最中に意思決定を行います。

以下に、その仕組みを簡単な部分に分解して説明します。

1. 「ミッションコントロール」（タスク状態の構築）

洞窟を探索する探検隊のチームを想像してください。彼らが一歩を踏み出すたびに、ただ歩き続けるのではなく、地図を更新するために立ち止まります。

プランナー： 現在の位置を確認し、「よし、最初のヒントが見つかったが、もっと奥に進む必要がある。次の行動を変更しよう」と決定します。
評価者： 品質検査員のように機能します。「本当にヒントが見つかったのか、それとも単にそれに見える岩を見つけただけなのか？」
更新者： 地図、新しい発見、検査員のメモを取り込み、現在の状況の最新かつ更新された要約を作成します。

この要約がタスク状態です。これはシステムに、何が起こったか、何が不足しているか、そして今すぐ何を修正する必要があるかを正確に伝えます。

2. 「ツールボックス」（エージェントプール）

EvoMAS には、異なる「エージェント」（専門的なAIアシスタント）の固定されたツールボックスがあります。ウェブ検索が得意なエージェント、コード作成が得意なエージェント、事実確認が得意なエージェント、そして単に素早く回答するのが得意なエージェントなどがいます。

従来の方法： チームは旅の開始時に3つのツールを選び、旅行全体を通じてその3つだけを使用します。
EvoMAS の方法： 旅の各段階で、ミッションコントロールは更新された地図（タスク状態）を確認し、「今すぐ誰が必要か？」と問います。
- 旅の序盤？ 「情報を収集するためにウェブ検索エージェントが必要です。」
- 旅の途中？ 「私たちが犯した間違いを修正するために自己改善エージェントが必要です。」
- 旅の終盤？ 「すべてのメモを1つの最終回答にまとめるためにアンサンブルエージェントが必要です。」

3. 「学習コーチ」（ワークフローアダプター）

システムはどのようにしてどのツールを選ぶべきかを知っているのでしょうか？それは、ビデオゲームのキャラクターがレベルを攻略する方法を学ぶのと同様に、試行錯誤を通じて学習します。

システムは、異なるエージェントの組み合わせ（ワークフロー）を試みます。
その組み合わせが成功した解決策につながった場合、「コーチ」（ワークフローアダプター）は報酬を受け取り、「検索エージェントの後に改善エージェントを選ぶのがうまくいった！」と記憶します。
失敗した場合、コーチは次回はその特定の組み合わせを避けるように学習します。
重要なのは、システムが主に最終結果（パズルは解決されたか？はい/いいえ）から学習する点です。各ステップを人間が評価する必要がないため、非常に効率的です。

なぜこれが優れているのか

この論文は、複雑な調査や多部分の数学的問題の解決など、多くのステップを必要とする困難なタスクにおいて EvoMAS をテストしました。

静的システム（従来の方法） は、事態が悪化した際に計画を変更できないため、しばしば行き詰まります。
EvoMAS は適応します。最初の試みが失敗した場合、その「ミッション状態」を更新し、計画が破綻していることを認識して、即座にチームを再編成し、異なるアプローチを試みます。

結果

実験において、EvoMAS は以下のものを上回りました。

単一のAIエージェント（すべてを一人でこなそうとする1つの賢いロボット）。
開始前に完璧な計画を設計しようとする他の自動化システム。

この論文は、常に「地図」（タスク状態）を確認し、その瞬間に必要なものに基づいて「チーム」（ワークフロー）を再編成することで、システムが以前よりもはるかに困難な問題を解決できることを示しています。

要約すると： EvoMAS は単にスクリプトに従うのではなく、前のシーンの結果に基づいて、映画の各シーンごとに新しいスクリプトを書き換えます。

技術概要：EvoMAS

問題定義

大規模言語モデル（LLM）に基づくマルチエージェントシステム（MAS）は、専門化と協調推論を通じて複雑なタスクにおいて潜在能力を示しています。しかし、現在の自動設計手法は、ほとんどがワンショットパラダイムに依存しています。つまり、ワークフローは実行前に最適化または選択され、タスク全体を通じて静的に維持されます。このアプローチは、サブゴール、中間証拠、情報ニーズが複数の実行ステージにわたって変化する長期タスクには不適切です。そのような動的環境に対して単一の固定された調整戦略に依存することは、本質的に最適ではありません。

本論文は、この限界に対処する上で2つの根本的な課題を特定しています：

実行時タスク状態の明示的構築：長期タスクでは、システムが実行の進捗、中間成果物、および解決の質を要約する明示的な状態を維持し、原則的な調整決定を下す必要があります。これがなければ、ワークフローの適応には具体的な基盤が欠けます。
変化するタスク状態へのワークフローの適応：異なる実行ステージは、異なる調整要件（例えば、探索対洗練）を課します。システムは、静的な設計に依存するのではなく、現在のタスク状態に基づいてステージ固有のワークフローを動的に構築しなければなりません。

手法：EvoMAS

著者らは、実行時マルチエージェントワークフロー構築のためのフレームワークであるEvoMASを提案します。EvoMASは、単一のタスク軌道に沿ってメタレベルの逐次意思決定問題としてワークフロー選択を再定義します。

1. 形式化（メタレベル MDP）

EvoMASは、プロセスをメタマルコフ決定過程（Meta-MDP） $M = (S^m, A^m, T^m, R^m)$ としてモデル化します：

メタ状態（ $s^m_t$ ）：現在のタスクの進捗、中間成果物、およびフィードバックの構造化されたテキスト表現。
メタアクション（ $a^m_t$ ）：具体的なマルチエージェントワークフロー $G_t = (V_t, E_t)$ の選択。ここで、 $V_t$ は固定されたエージェントプール $\mathcal{P}$ から選ばれたエージェントの部分集合であり、 $E_t$ は情報フロー（階層化された DAG 構造）を定義します。
遷移： $G_t$ の実行は、集約された結果 $\xi_t$ （メッセージ、ツール観測、評価者フィードバック）を生み出し、遷移関数を通じてメタ状態を更新します。
目的：主にスパースで検証可能な最終タスクの成功を用いて、期待される累積メタレベル報酬を最大化する方策 $\pi_{wf}$ を学習すること。

2. システムコンポーネント

EvoMASは、3つの主要なコンポーネントを通じて動作します：

タスク状態構築（プランナー–評価者–更新者パイプライン）：
- プランナー：サブタスク計画を維持し、アクティブなサブタスクを特定し、文脈を付与して洗練を行うことで失敗に対処します。
- 評価者：アクティブなサブタスクに対する直前の実行結果を評価し、判定（成功/失敗/洗練）、信頼スコア、および自然言語フィードバックを生成します。
- 更新者：直前の状態、実行されたワークフロー、および実行記録を、新しい構造化されたタスク状態 $\tilde{s}_t$ に統合します。この状態はエージェントの文脈として機能し、ワークフローアダプタの条件付けを行います。
実行時ワークフロー構築（ワークフローアダプタ）：
- タスク状態 $\tilde{s}_t$ が与えられた場合、ワークフローアダプタは、固定された候補エージェントプールからステージ固有の階層化ワークフローをインスタンス化します。
- アダプタは、タスク状態と、役割、能力、およびツールから導出されたエージェント埋め込みをエンコードします。
- これはクロスアテンションを用いてエージェントをスコアリングし、累積質量ソフトサンプリングメカニズムを用いて、各レイヤーに対してエージェントを復元なしで選択します。これにより、選択されたセットが確率質量の閾値を満たすことが保証されます。
- これにより、同じエージェントが複数のレイヤーまたはメタステップに現れることが可能になり、反復的な洗練を可能にします。
ワークフロー方策の最適化：
- アダプタのパラメータは、**強化学習（REINFORCE）**を用いて最適化されます。
- 主要な監督信号は、ベンチマーク評価を通じて検証可能なスパースな最終タスクの成功であり、潜在的にバイアスのかかった評価者の判断に対する直接最適化を回避します。
- プロセストレワード（評価者ベース）は、極めてスパースな報酬環境におけるクレジット割り当ての補助として、別途分析されます。

主要な貢献

パラダイムの再定義：著者らは、自動マルチエージェントワークフロー構築を、タスク実行中に発生する逐次意思決定問題へとシフトさせ、ワンショットかつ初期化時の設計から脱却させました。
実行時フレームワーク：EvoMASは、明示的なタスク状態構築と学習された状態条件付きワークフローアダプタを組み合わせ、タスクの進化に伴うエージェント調整構造の動的な再編成を可能にします。
実証的検証：このフレームワークは、複雑な多段階ベンチマーク（GAIA、HLE、DeepResearcher）で検証され、実行時適応が、単一エージェントのベースラインおよび最近の自動 MAS 設計手法の両方を上回ることを示しました。

実験結果

実験は、GAIA（レベル 1〜3）、HLE、および DeepResearcher において実施されました。

性能：EvoMAS-7（7 エージェントプールを使用）は、平均成功率65.0を達成し、最強の自動 MAS ベースライン（G-Designer/MaAS）を30.2 ポイント、最強の単一エージェントベースライン（GPT-4o）を35.2 ポイント上回りました。
一般化：EvoMASは評価されたすべての4つのベンチマークで最良の結果を達成し、ベンチマーク固有の過学習ではなく、広範な適用可能性を示しています。
アブレーション研究：
- タスク状態：ワークフロー構造が固定されていた場合でも、明示的な実行時タスク状態構築が成功率を向上させ、中間成果物およびサブゴールの修正に対する構造化された記録の価値を浮き彫りにしました。
- スパース報酬からの学習：ワークフローアダプタは、スパースな最終報酬のみを使用して効果的な方策を学習することに成功し、GAIA レベル 1 および 2 では性能が着実に向上しました。
- プロセス報酬：評価者ベースのプロセス報酬は、標準的なタスクには不要であることが判明しましたが、最終的な成功が学習信号を提供するにはあまりにもスパースである「非常に困難」な設定（例：GAIA レベル 3、BrowserComp）では不可欠であることがわかりました。
- バックボーン感度：より強力な基盤 LLM（例：GPT-4o 対 GPT-4o-mini）はさらに性能を向上させ、EvoMAS がバックボーンの改善と相補的であることを示唆しています。

意義と主張

本論文は、EvoMAS が実行意識型適応を可能にすることで、現在のマルチエージェントシステムの硬直性に対処すると主張しています。ワークフロー選択を明示的なタスク状態に条件付けられた逐次意思決定問題として扱うことで、EvoMAS はシステムが必要に応じて情報収集、洗練、集約、および終了の間を移行することを可能にします。

著者らは、彼らのアプローチが明示的な状態構築と学習されたワークフロー適応の両方から相補的な利益を提供することを強調しています。現在のフレームワークは固定された候補プールと最大深さを前提としているものの、それはオープンエンドなエージェント作成や動的な深さ適応に関する将来の作業の基盤を確立していると指摘しています。この研究は、中程度の難易度のタスクではスパースな最終報酬がトレーニングに十分である一方、プロセス報酬は極端なスパース性に対する専門的なツールとして機能することを示唆しています。