🤖 machine learning

EvoMAS: Evolutionary Generation of Multi-Agent Systems

EvoMAS 引入了一种进化框架，该框架通过反馈引导的变异与交叉迭代优化结构化配置，自动生成稳健且高性能的多智能体系统，在各类推理、软件工程及工具使用基准测试中显著优于人类设计方法及以往自动方法。

原作者： Yuntong Hu, Yuting Zhang, Matthew Trager, Yi Zhang, Shuo Yang, Wei Xia, Stefano Soatto

发布于 2026-05-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuntong Hu, Yuting Zhang, Matthew Trager, Yi Zhang, Shuo Yang, Wei Xia, Stefano Soatto

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，你需要解决一个非常复杂的问题，比如规划一次庞大的国际旅行、调试一段损坏的软件，或者解开一个棘手的数学谜题。你可以请一位非常聪明的人（单个 AI）来完成所有工作。但通常，这个人会不堪重负、犯错，或者遗漏关键细节。

更好的方法是聘请一个专家团队。一个人规划路线，另一个人检查预算，第三个人预订酒店，第四个人复核行程。这被称为多智能体系统（MAS）。

问题在于：设计完美的团队极其困难。你必须决定：

团队由谁组成？
他们的具体职责是什么？
他们如何相互沟通？
每个人使用哪个“大脑”（AI 模型）？

通常，人类必须手动设计这些团队，这既缓慢又昂贵，而且往往导致团队之间协作不畅。

EvoMAS 登场：进化式团队构建器

这篇论文介绍了EvoMAS（多智能体系统的进化生成）。不要把 EvoMAS 看作设计师，而应将其视为一位正在为团队进行“适者生存”实验的自然学家。

以下是其工作原理，使用一个简单的类比：

1. 起始动物园（池）

想象你有一个动物园，里面充满了各种各样的团队结构。有些是“辩论俱乐部”，每个人通过争论来寻找真相；有些是“流水线”，工作从一个人传递给另一个人；还有些是“星形结构”，一个老板向许多下属下达指令。

创新点：EvoMAS 不是从头编写代码，而是将这些团队结构视为配置（就像食谱卡片或蓝图）。这使得它们易于调整，而不会破坏整个系统。

2. 试运行（执行）

当你给 EvoMAS 一个具体任务（例如“修复代码中的这个 bug"）时，它会从动物园中挑选几个团队来尝试执行。

它们尝试完成任务。
一位“裁判”（另一个 AI）观察它们并打分：它们解决了吗？它们犯错了吗？它们耗时过长吗？

3. 进化（变异与交叉）

这是神奇的部分。EvoMAS 不仅仅是选出获胜者然后停止。它利用“裁判”的反馈来进化团队，就像自然界进化动物一样。

变异（微调）：如果一个团队失败是因为“数学专家”太慢，EvoMAS 可能会将他们的“大脑”换成更快的，或者让他们更清晰地写下步骤。它一次只改变一件事，以观察是否有帮助。
交叉（混合搭配）：如果团队 A 擅长规划但不擅长检查，而团队 B 擅长检查但不擅长规划，EvoMAS 就会创建一个混合子团队。它保留团队 A 的结构，但换入团队 B 的检查专家。
循环：这个过程反复进行。“差”的团队被淘汰，“好”的团队被保留、微调并再次混合。

4. 记忆（从过去学习）

EvoMAS 有一本笔记本。如果它发现“拥有专职验证者的团队总是能更好地解决数学问题”，它就会记录下来。下次面对数学问题时，它不会从头开始；它会记住这个技巧并立即使用。

这为什么比我们之前的方法更好？

旧方法（代码生成）：以前的方法试图从头编写整个团队的软件代码。这就像要求一位厨师同时发明新食谱、新厨房和新炉灶。这往往导致“语法错误”（代码崩溃）或团队过于僵化。
EvoMAS 方法（配置）：EvoMAS 改变的是蓝图（配置），而不是原始代码。这就像在房子里重新布置家具，而不是重建墙壁。这使得团队更加可靠，且不太可能崩溃。
优于人类：论文表明，EvoMAS 持续创建的团队表现优于由人类专家设计的团队。它找到了人类未曾想到的团队组织“最佳平衡点”。

用通俗英语总结结果

研究人员在三种截然不同的挑战上测试了 EvoMAS：

推理：解决逻辑谜题和数学问题。
软件工程：修复计算机代码中的真实错误。
工具使用：使用数字工具，如日历、电子邮件和数据图表。

结果：

EvoMAS 团队解决这些问题的准确率高于单个 AI、人类设计的团队以及其他自动方法。
它们更加可靠。虽然其他方法经常崩溃或无法运行，但 EvoMAS 的团队几乎总能完成任务（成功率超过 96%）。
即使在使用最新 AI 模型时，它甚至击败了著名软件工程排行榜（SWE-Bench）上的最高分。

核心要点

EvoMAS 证明，与其试图手动设计完美的 AI 团队，不如让 AI 为手头的具体工作进化出完美的团队。这就像拥有一位教练，他观察你的团队比赛，意识到谁站位不当，交换球员，改变策略，并不断重复这一过程，直到团队变得不可战胜。

论文声称，这是一种构建 AI 系统的新颖且稳健的方法，这些系统灵活、可靠，且比任何我们手工设计的东西都更智能。

技术摘要：EvoMAS——多智能体系统的进化生成

1. 问题陈述

基于大语言模型（LLM）的多智能体系统（MAS）在复杂推理、规划及工具增强任务中展现出巨大潜力。然而，设计高效的多智能体系统架构仍然劳动密集、脆弱且难以泛化。现有的自动生成方法在表达能力与可靠性之间面临根本性的权衡：

代码生成方法：如 ADAS 和 MAS-GPT 等方法将多智能体系统设计视为开放式代码搜索或直接代码合成。尽管表达性强，但这些方法常因语法错误以及单次生成有效多智能体程序的复杂性，而遭受可执行性失败、运行时异常和脆弱行为的影响。
刚性模板方法：如 AutoAgents 和 EvoAgent 等方法通过约束智能体结构来提高可靠性，但限制了适应性和表达能力。此外，像 EvoAgent 这样的方法通常仅进化单个智能体，而非将多智能体系统视为统一的优化对象，且缺乏跨查询的经验迁移机制。

核心挑战在于：如何在利用执行反馈指导结构化更新的同时，高效探索多智能体系统配置的巨大组合空间，从而平衡新设计的探索与成功模式的重用。

2. 方法论：EvoMAS

作者提出了EvoMAS（多智能体系统的进化生成），这是一个将多智能体系统生成表述为结构化配置生成而非代码合成的框架。EvoMAS 在一个有界的、可解释的配置空间内运行，通过选择、变异和交叉来进化协作式多智能体系统配置。

2.1. 配置表示

多智能体系统配置 $C$ 定义为元组 $(G, \{A_i\}, V_{in}, V_{out})$ ：

图（ $G$ ）：一个无环通信图，定义了拓扑结构（谁与谁通信）。
智能体（ $A_i$ ）：每个智能体由骨干模型（ $b_i$ ）、系统提示词模板（ $p_i$ ）和工具集（ $\Gamma_i$ ）定义。
执行：一个轻量级运行时解释器将系统结构与执行逻辑解耦，根据声明式配置实例化智能体并管理通信。

2.2. 进化过程

EvoMAS 在候选池上采用由 LLM 驱动的进化搜索，利用执行反馈作为学习信号。针对给定任务 $q$ 的过程包括：

选择：基于任务相关性和元数据，从由人类设计的多智能体系统（如 Peer Review、Majority Vote、MetaGPT）种子生成的池中检索初始配置。
进化算子：系统利用执行轨迹和经验记忆作为条件，通过两个算子迭代优化候选者：
- 变异：修改单个父代中恰好一种组件类型（提示词、模型分配、工具列表或拓扑），以解决执行轨迹中识别出的特定性能瓶颈。
- 交叉：重组两个父代，从一个父代继承通信拓扑，并从两个父代重组智能体级属性（提示词、模型、工具）。
评估：使用 LLM-as-a-judge 奖励函数评估配置，该函数在任务性能（正确性、完整性）与计算成本（令牌数和延迟）之间取得平衡。
池与记忆更新：高奖励配置被添加到池中以供未来重用。进化轨迹被总结为紧凑表示（例如，“针对输出格式的提示词优化提高了准确率”），并存储于经验记忆中，通过基于相似性的检索来指导未来的搜索。

2.3. 关键设计原则

结构化与代码：通过生成结构化配置（YAML）而非可执行代码，EvoMAS 避免了语法错误，确保了高运行时鲁棒性。
联合进化：与以往分别优化提示词或拓扑的工作不同，EvoMAS 将所有组件（拓扑、提示词、模型、工具）作为一个统一系统进行联合进化。
测试时计算扩展：EvoMAS 通过配置搜索在多智能体系统间调整计算分布，而不是将更多计算资源分配给单个智能体。

3. 主要贡献

基于配置的范式：将多智能体系统构建重构为结构化文本生成，实现了多智能体系统设计空间的稳健且富有表达力的探索，避免了代码生成的脆弱性。
EvoMAS 框架：一个由 LLM 驱动的进化框架，维护一个源自人类设计系统的候选配置池，并通过执行引导的变异、交叉及基于记忆的复用对其进行迭代优化。
全面的基准测试：在推理、代码编写和工具调用领域展示了卓越的任务性能，与人类设计的多智能体系统及先前的自动生成方法相比，具有更高的执行成功率。

4. 实验结果

EvoMAS 在五个基准测试上进行了评估：BBEH（推理）、WorkBench（工具使用）以及SWE-Bench-Lite/Verified（软件工程）。

性能提升：EvoMAS 始终优于基线模型。
- 在 BBEH 上，其准确率达到 58.7%（含自动 LLM 选择），比 EvoAgent 的最佳结果高出 10.5 分，比单 LLM 配置的最佳结果高出 5.9 分。
- 在 WorkBench 上，其准确率达到 48.9%，超过单 LLM 最佳结果 4.4 分。
- 在 SWE-Bench-Verified 上，EvoMAS 实现了 63.8% 的解决率，优于最佳单 LLM 配置 3.4 分，并显著优于最佳预定义多智能体系统（MetaGPT）。使用 Claude-4.5-Sonnet 时，其准确率达到 79.1%，与公开排行榜的顶尖水平持平。
鲁棒性与可执行性：EvoMAS 在所有基准测试中的执行率均超过 96%（例如 BBEH 为 98.9%），显著优于代码生成方法（如 MAS-GPT 在 BBEH 上为 71.5%，在 SWE-Bench-Lite 上仅为 1.2%）。
扩展行为：与随令牌预算增加而性能 plateau 或退化的单智能体或固定拓扑方法不同，EvoMAS 随着计算量的增加持续提升性能，发现了更高效的协调模式。
泛化能力：该框架泛化至数学推理领域（AIME 2024–2025），准确率达到 56.7%，优于预定义基线。

5. 意义与主张

本文主张 EvoMAS 代表了从手工的、特定任务的多智能体系统工程向自动化的、自适应的系统合成的转变。其意义在于：

结构优化：性能提升源于结构层面，即发现了有效的协调模式（例如涌现的角色如“分解者”或“验证者”以及新颖的拓扑结构），而非仅仅扩展计算资源或依赖更大的模型。
可靠性：通过配置将结构与执行逻辑解耦，EvoMAS 解决了代码生成方法固有的可靠性问题，使自动化的多智能体系统生成适用于现实世界应用成为可能。
测试时适应：它提供了一种基于状态的范式，通过配置更新和执行经验积累改进，为基于梯度的微调提供了一种截然不同的替代方案。
通用性：该框架与智能体无关，支持异构模型分配，允许在单个系统内利用不同大语言模型的优势来承担特定角色。

作者总结道，EvoMAS 有效降低了专用智能体开发的门槛，但他们指出，未来的工作应解决对抗性协调问题并进一步降低进化成本。