HyperAgent：利用超图进行多智能体通信中的拓扑优化

大型语言模型驱动的多智能体系统的最新进展通过有效的通信展示了卓越的集体智能。然而，现有方法面临两个主要挑战：(i) 低效的群体协作建模，因为它们依赖于图结构中的成对边表示，限制了它们捕获多个代理之间关系的能力；(ii) 通信拓扑设计中任务适应性有限，导致简单任务的通信成本过高，复杂场景的协调不足。这些问题限制了适应性协作框架的可扩展性和实际部署。为了应对这些挑战，我们提出了 HyperAgent，一个基于超图的框架，它优化通信拓扑并使用直接超边表示有效地捕获群体协作模式。与基于边的模型不同，HyperAgent 使用超边将多个代理链接到同一个子任务中，并使用超图卷积层在协作组中实现一步信息聚合。此外，它还采用了一个具有稀疏性正则化的变分自编码器框架，以根据任务复杂性动态调整超图拓扑。实验凸显了 HyperAgent 在性能和效率方面的优越性。例如，在 GSM8K 上，HyperAgent 取得了 95.07% 的准确率，同时将 token 消耗降低了 25.33%，展示了基于超图的优化在多智能体通信中的潜力。