💬 NLP

FutureWeaver: Planning Test-Time Compute for Multi-Agent Systems with Modularized Collaboration

FutureWeaver 是一个通过引入自诱导协作模块和双层规划架构，以通过原则性的资源分配来优化推理轨迹，从而在固定测试时计算预算下增强多智能体系统性能的框架。

原作者： Dongwon Jung, Peng Shi, Muhao Chen, Yi Zhang

发布于 2026-06-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Dongwon Jung, Peng Shi, Muhao Chen, Yi Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位专业专家团队（比如研究员、程序员、作家和事实核查员）的经理，正试图解开一个非常困难的谜题。你有一个严格的预算限制，用于支付他们的时间和精力（即你的“预算”）。

过去，如果你想让你的团队做得更好，你可能会直接告诉他们“再多思考一下”或“再试一次”。但在多智能体系统中，仅仅告诉一个人要更努力工作并不总是有效。有时，你需要研究员去和程序员交流，或者在进入下一步之前，让事实核查员先审阅作家的草稿。问题在于：如何在不超出预算的前提下，决定谁在什么时候、进行多长时间的交流？

这就是 FUTUREWEAVER 这篇论文试图解决的问题。以下是它的工作原理，通过简单的概念进行拆解：

1. 问题所在：“僵化的流水线”

目前大多数系统都像是一个僵化的流水线。一个人完成一项任务，然后传给下一个人，以此类推。如果第一个人犯了错，整个流水线可能会失败，或者你会浪费钱在重复同一个步骤上。

问题： 这些系统不知道如何有效地混合和搭配他们的团队成员。它们也难以进行预判。它们可能会在谜题的第一步就花掉所有的钱，导致最后关键的步骤时无钱可用。

2. 解决方案：“协作模块”（预制食谱）

FUTUREWEAVER 引入了一个新概念，叫做协作模块 (Collaboration Modules)。

类比： 想象一下，你拥有的不仅仅是一份厨师名单，而是一个预制食谱库。
- 食谱 A： “研究员和作家共同协作，起草一个故事。”
- 食谱 B： “三名程序员并行编写代码，由一名评审员选出最好的一个。”
工作原理： 系统不仅仅是调用单个智能体；它可以调用一整套“食谱”（模块），这些模块可以自动协调多个智能体。这些食谱不是由人类手写的；系统是通过观察自己的成功过程来学习它们的。它多次进行游戏，观察哪些团队组合效果最好，并将这些成功的模式转化为可重复使用的“食谱”。

3. 大脑：“双层规划”（GPS 与侦察兵）

即使有了优秀的食谱，你仍然需要知道在任何给定时刻该选择哪一个。FUTUREWEIVER 使用了一个两部分的规划系统，类似于 GPS 结合侦察兵：

短期规划（侦察兵）： 它关注眼前的下一步。“如果我现在使用‘研究员 + 作家’这个食谱，基于我们刚刚所做的，这看起来是个好主意吗？”它会检查团队是否对这一举动达成一致，以及这在以往类似情况中是否奏效。
长期规划（GPS）： 这是神奇的部分。它实际上还没有开始做具体工作；它是在想象未来。它会问：“如果我现在选择这个食谱，我会在完成谜题之前把钱花光吗？”它会在大脑中模拟余下的旅程（而不消耗真实的资金），以观察这条路径是否可行。
结果： 系统选择的动作不仅在当下是好的，而且能确保它在完成任务之前不会耗尽预算。

4. “自我博弈”（在实践中学习）

系统如何知道哪些食谱是好的，以及它们需要多少成本？它使用了自我博弈反思 (Self-Play Reflection)。

类比： 想象一位国际象棋选手通过与自己进行数千场比赛来学习最佳策略。
工作原理： 在解决实际问题之前，系统会运行许多练习任务。它会记录每个“食谱”的成本以及它成功完成任务的频率。然后，它利用这些数据来构建自己的食谱库和成本估算。这就像教练通过观看比赛录像来制定战术手册一样。

5. 结果：获得更高的性价比

论文在三个具有挑战性的任务上测试了这个系统：

通用知识与网页浏览： 在互联网上寻找答案。
深度研究： 挖掘大量文档以寻找特定事实。
编程： 编写并检查计算机代码。

发生了什么？

旧方法经常浪费资金。它们会在早期步骤花费过多，或者陷入循环，导致最后没有预算来得出最终答案。
FUTUREWEAVER 在保持预算范围内的同时，始终能获得更好的答案。它学会了在关键时刻（如检查代码时）激进地投入资金，而在不重要的时候则保守地使用资金。

总结

FUTUREWEAVER 就像是一个 AI 智能体团队的聪明项目经理。它不仅仅是告诉他们“更努力工作”，而是：

创建可重复使用的团队协作食谱，基于过去行之有效的经验。
进行两步及以上的规划，以确保在完成任务之前不会耗尽资金。
通过自身的练习赛进行学习，从而变得更擅长管理团队。

其结果是，该系统通过更聪明地如何使用其团队，以同样的资金解决更难的问题。

技术摘要：FUTUREWEAVER

问题陈述

虽然在单智能体设置中，扩展测试时计算（test-time computation）已被证明能有效提升大语言模型（LLM）的性能（例如通过自我修正、迭代验证或 Best-of-N 采样），但将这些技术扩展到多智能体系统时面临着独特的挑战。现有的方法通常依赖于僵化的“编排者-执行者”（orchestrator-worker）范式，按顺序执行智能体，无法利用异构智能体之间的协同效应。此外，当前的方法缺乏在严格预算约束下分配计算资源的原则性机制。它们往往在固定的推理结构内进行优化，或者未能将推理视为在智能体调用组合空间上的轨迹规划问题。因此，系统可能会在低杠杆的早期步骤上过度投入，或在关键的后期协调步骤上投入不足，导致即使在预算充足的情况下也无法达到最优性能。

方法论：FUTUREWEAVER

本文提出了 FUTUREWEAVER，一个旨在优化固定预算下多智能体系统测试时计算分配的框架。该框架集成了三个核心组件：

1. 协作模块 (Collaboration Modules)

为了超越逐个智能体顺序执行的模式，作者引入了协作模块。这些是模块化的、可调用的函数，封装了多个智能体之间的高层协调策略（例如，“先搜索后浏览”或“集成推理”）。

抽象： 模块被形式化为 $m = (S, \kappa)$ ，其中 $S$ 是执行工作者智能体的子集， $\kappa$ 是协调策略。
发现： 模块并非人工设计，而是通过**自我博弈反思（Self-Play Reflection）**自动归纳生成的。系统在验证任务上执行轨迹，识别导致成功的重复交互模式，并将其抽象为可重用的模块。
动作空间： 编排者的动作空间被扩展，以包含基础智能体和这些协作模块（ $A' = A \cup M$ ）。

2. 双层规划架构 (Dual-Level Planning Architecture)

为了在硬性预算限制下导航复杂的智能体/模块调用组合空间，FUTUREWEAVER 采用了受 A* 搜索和投机采样（speculative decoding）启发的双层规划策略：

短时界规划（局部增益，Short-Horizon Planning）： 评估候选动作 $\alpha_t$ 的即时潜力。它基于以下因素计算增益得分 $g(\alpha_t)$ ：
- 自一致性 (Self-Consistency, SC)： 衡量采样动作之间的局部共识，以评估置信度。
- 性能先验 (Performance Prior, PP)： 从经验缓冲区中找到的类似历史轨迹的成功率所衍生的经验可靠性评分。
- 增益通过几何平均值计算： $g(\alpha_t) = \sqrt{SC(\alpha_t) \cdot PP(\alpha_t)}$ 。
长时界规划（全局可行性，Long-Horizon Planning）： 执行抽象前瞻（abstract lookahead），以估计候选动作是否能在剩余预算内引导至成功的轨迹。
- 编排者生成符号化的投机轨迹（无需实际执行智能体），代表潜在的未来模块序列。
- 利用从自我博弈中获得的成本估算，过滤掉超过剩余预算的轨迹。
- 基于允许预算内持续进行的候选动作比例，计算可行性得分 $h(\alpha_t)$ 。
- 该得分主动引导短时界规划器，确保局部决策与全局可行性保持一致。
选择： 最终效用为 $f(\alpha_t) = g(\alpha_t) + h(\alpha_t)$ 。选择具有最高效用的动作，以平衡即时进展与长期预算合规性。

3. 自我博弈反思 (Self-Play Reflection)

这一离线、迭代的过程是该框架的核心引擎：

它在验证任务的子集上生成执行轨迹，以构建经验缓冲区。
它为基础智能体和被发现的模块提供成本估算（在观察到的子任务上取平均值）和性能估计（轨迹级的成功率）。
通过分析成功轨迹中的重复模式，驱动协作模块的发现。

实验结果

作者在三个基准测试上评估了 FUTUREWEHAVEVER：GAIA（通用 AI 助手任务）、BrowseComp-Plus（网页浏览）和 BigCodeBench（编程）。将其与固定工作流（ADAS, AFlow）、带有测试时缩放的标准 ReAct（Best-of-N, 迭代验证）以及带有协作模块的 ReAct（预算感知/非感知型）进行了对比。

性能： 在所有三个基准测试的各种预算设置下，FUTUREWEAVER 始终优于所有基线模型。例如，在 Claude 模型下的 GAIA 测试中，在 0.5 预算下，它达到了 48.15% 的准确率，而表现最好的 ReAct 变体为 38.27%。
预算利用率： 不同于那些经常无法充分利用可用预算（总成本远低于约束值）的基线模型，FUTUREWEAVER 能够积极且有效地利用预算，将计算资源直接转化为性能提升。
组件分析： 消融实验表明，虽然仅靠短期规划就能带来提升，且仅靠长期规划在高预算下表现略好，但双层结合带来了最强的效果，证实了整合局部与全局信号的必要性。

重要性与主张

论文声称 FUTUREWEAVER 解决了多智能体系统中的一个关键空白：缺乏针对预算约束下计算分配和有效协作的原则性机制。

核心贡献： 本研究将多智能体优化形式化为在智能体与模块调用的组合空间上的轨迹规划问题，而非简单的资源分配问题。
创新点： 通过将协调视为一个通过自动归纳模块实现的函数调用问题，并采用耦合了前瞻与候选生成的双层规划器，该框架能够动态决定何时以及如何调用复杂的协作。
成果： 结果表明，结构化协作和前瞻性规划对于将固定计算预算转化为有效的多智能体性能至关重要，这为构建更具适应性且计算高效的系统提供了有前景的方向。

作者对未来的影响保持谦逊，其重点严格在于验证其框架在严格约束下的多智能体协作推理优化方面的有效性。