When Evidence Shapes Collaboration: Knowledge-Conditioned Topology Generation for Multi-Agent Systems

📄 arXiv: 2608.27984v1 📥 PDF

作者: Yangxiao Jiang, Jiarun Fan, Mingcong Xu, Yanxi Guo, Jiwen Feng, Shanqing Xu, Mengchen Qian, Wei Chen, Xiaojin Zhang

分类: cs.AI

发布日期: 2026-08-28

💡 一句话要点

提出K-GAT以解决多智能体系统中的协作拓扑生成问题

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

关键词: 多智能体系统 协作拓扑 知识引导 图生成 神经符号框架 知识密集型任务 结构学习 外部证据

📋 核心要点

  1. 现有的拓扑生成方法主要依赖于大型语言模型的参数知识，导致结构与知识之间的不匹配。
  2. 本文提出K-GAT，将协作拓扑设计视为知识条件下的结构学习问题，直接整合外部证据。
  3. 在知识密集型基准测试中，K-GAT在GPQA数据集上准确率提升15.7%，且计算效率显著提高。

📝 摘要（中文）

多智能体系统（MAS）近年来已从静态工作流转向动态生成的协作拓扑。然而，现有的拓扑生成方法主要依赖大型语言模型的参数知识，外部搜索或检索仅作为反应工具，而非协作结构的明确决定因素。这导致结构与知识之间的不匹配，系统在知识密集型任务中表现出冗余交互或验证不足。本文提出K-GAT（知识引导的智能体拓扑生成器），一个神经符号框架，将协作拓扑设计视为知识条件下的结构学习问题，直接将外部证据整合到自回归图生成中。大量在知识密集型基准上的实验表明K-GAT的高效性和有效性：特别是在专家级GPQA数据集上，K-GAT的准确率比LLM-Debate基线高出15.7%，同时消耗的计算令牌不到一半。

🔬 方法详解

问题定义：本文旨在解决多智能体系统中协作拓扑生成的结构与知识不匹配问题。现有方法过于依赖语言模型的参数知识，导致冗余交互和验证不足。

核心思路：K-GAT通过将协作拓扑设计视为知识条件下的结构学习问题，直接将外部证据融入自回归图生成中，从而提高协作效率和准确性。

技术框架：K-GAT的整体架构包括知识获取模块、图生成模块和协作优化模块。知识获取模块负责从外部源提取相关证据，图生成模块则基于这些证据生成协作拓扑，最后协作优化模块对生成的拓扑进行调整和优化。

关键创新：K-GAT的主要创新在于将外部证据直接整合到图生成过程中，打破了传统方法中知识与结构生成的隔离，显著提升了协作的有效性。

关键设计：在K-GAT中，采用了自回归生成策略，并设计了特定的损失函数以平衡知识的准确性与生成拓扑的有效性。此外，网络结构中引入了知识图谱，以增强模型对外部知识的理解和应用。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，K-GAT在专家级GPQA数据集上表现出色，准确率比LLM-Debate基线高出15.7%。此外，K-GAT在计算资源的消耗上也表现优异，使用的计算令牌不到基线的一半，显示出其高效性。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、机器人协作、以及复杂任务的分布式处理等。通过优化多智能体系统的协作拓扑，K-GAT能够提高系统的整体效率和响应能力，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Multi-Agent Systems (MAS) have recently moved from static workflows toward dynamically generated collaboration topologies. However, existing topology generation methods rely primarily on the parametric knowledge of large language models, with external search or retrieval used only as a reactive tool rather than an explicit determinant of collaboration structure. This leads to structure-knowledge misalignment, where systems exhibit redundant interactions or insufficient verification in knowledge-intensive tasks. We propose K-GAT (Knowledge-Guided Agent Topology Generator), a neuro-symbolic framework that formulates collaboration topology design as a knowledge-conditioned structure learning problem, integrating external evidence directly into autoregressive graph generation. Extensive experiments on knowledge-intensive benchmarks demonstrate K-GAT's efficiency and effectiveness: notably on the expert-level GPQA dataset, K-GAT outperforms the LLM-Debate baseline by a substantial margin of +15.7% in accuracy, while consuming less than half the computational tokens.