MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems

📄 arXiv: 2607.28527v1 📥 PDF

作者: Mao-xun Huang, Jerry Wang, Yi-Cheng Lai, Zhengxin Zhang, Claire Cardie, Hen-Hsen Huang

分类: cs.AI

发布日期: 2026-07-30

💡 一句话要点

提出MANTA框架以解决多智能体系统通信拓扑固定性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 通信拓扑 自适应框架 推理时自我演化 任务分解 协作优化 动态环境 结构更新

📋 核心要点

  1. 现有多智能体系统通常将通信拓扑视为固定设计，缺乏灵活性，导致在动态环境中表现不佳。
  2. MANTA框架允许通信结构在推理时自我演化，通过监控协作轨迹并进行结构更新来优化智能体间的协作。
  3. 在五个基准测试中，MANTA的平均得分为74.0，超越最强基线5.8个百分点，显示出其在多智能体协作中的优势。

📝 摘要（中文）

基于大型语言模型的多智能体系统通过任务分解、智能体专业化、信息交换和中间验证来提升复杂问题的解决能力。然而，现有系统通常将通信拓扑视为固定设计选择或离线优化目标。本文提出MANTA，一个多智能体网络拓扑自适应框架，能够在推理时自我演化通信结构。MANTA在执行前根据先前的结构经验初始化任务条件拓扑。在部署过程中，它监控协作轨迹，并在当前组织不足时应用有限的结构更新。这些更新可以修改智能体角色、通信链接、执行顺序、信息可见性和验证路径，同时保持任务接口和智能体预算。实验结果表明，MANTA在五个基准测试中表现优异，平均得分达到74.0，超越最强基线5.8个百分点，尤其在PlanCraft任务中表现最佳。

🔬 方法详解

问题定义：本文旨在解决现有多智能体系统中通信拓扑固定性的问题，导致在动态任务环境下的适应性不足。现有方法通常未能实时调整智能体间的通信结构，限制了系统的灵活性和效率。

核心思路：MANTA框架的核心思想是允许通信拓扑在推理过程中自我演化。通过初始化任务条件拓扑并在部署时监控协作轨迹，MANTA能够在必要时进行结构更新，以适应动态变化的任务需求。

技术框架：MANTA的整体架构包括两个主要阶段：初始化阶段和部署阶段。在初始化阶段，系统根据历史结构经验生成任务条件拓扑；在部署阶段，系统实时监控智能体的协作表现，并在发现不足时进行结构更新。

关键创新：MANTA的主要创新在于其推理时的自我改进能力，使得通信拓扑能够根据实际协作情况进行动态调整。这一设计与传统的固定拓扑方法形成鲜明对比，显著提升了系统的适应性。

关键设计：MANTA在设计中考虑了多个关键参数，包括智能体角色的动态调整、通信链接的可变性、执行顺序的优化以及信息可见性的管理。这些设计确保了在进行结构更新时，任务接口和智能体预算得以保持。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

MANTA在五个基准测试中表现突出，平均得分达到74.0，超越最强基线5.8个百分点，尤其在PlanCraft任务中取得最佳结果。这表明MANTA在推理时的自我改进能力能够有效提升多智能体系统的协作效率。

🎯 应用场景

MANTA框架的潜在应用场景包括复杂任务的多智能体协作，如机器人团队合作、智能交通系统和分布式计算等领域。其自适应通信拓扑的能力可以显著提升系统在动态环境中的表现，具有重要的实际价值和未来影响。

📄 摘要（原文）

Large language model-based multi-agent systems improve complex problem solving through task decomposition, agent specialization, information exchange, and intermediate validation. However, existing systems typically treat communication topology as a fixed design choice or an offline optimization target. We introduce MANTA, a framework for Multi-Agent Network Topology Adaptation that enables communication structures to self-evolve at inference time. Before execution, MANTA initializes a task-conditioned topology from prior structural experience. During deployment, it monitors collaboration traces and applies bounded structural updates when the current organization becomes insufficient. These updates can modify agent roles, communication links, execution order, information visibility, and validation pathways while preserving the task interface and agent budget. We evaluate MANTA against representative single-agent and multi-agent baselines on five benchmarks spanning information seeking, tool use, planning, workflow execution, and mathematical reasoning. MANTA achieves the highest average score of 74.0, outperforming the strongest baseline by 5.8 percentage points and obtaining the best result on PlanCraft. These results show that inference-time self-improvement can extend to the architecture of collaboration itself.