D3MAS: Decompose, Deduce, and Distribute for Enhanced Knowledge Sharing in Multi-Agent Systems

📄 arXiv: 2510.10585v1 📥 PDF

作者: Heng Zhang, Yuling Shi, Xiaodong Gu, Haochen You, Zijian Zhang, Lubin Gan, Yilei Yuan, Jin Huang

分类: cs.GR

发布日期: 2025-10-12

💡 一句话要点

D3MAS：通过分解、推导与分发增强多智能体系统中的知识共享

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

关键词: 多智能体系统 知识共享 知识冗余 协同推理 任务分解 分布式记忆 大型语言模型

📋 核心要点

  1. 现有基于LLM的多智能体系统存在知识冗余，导致智能体重复检索和推理，效率低下。
  2. D3MAS框架通过分解任务、协同推理和分布式记忆，确保智能体共享最少且充分的信息。
  3. 实验结果表明，D3MAS在多个数据集上显著提升了推理准确率，并有效降低了知识冗余。

📝 摘要（中文）

基于大型语言模型的多智能体系统在协同问题解决方面表现出强大的能力。然而，这些系统存在严重的知识冗余问题，智能体在检索和推理过程中重复工作。这种低效源于一个更深层的问题：当前的架构缺乏确保智能体在每个操作阶段共享最少充分信息的机制。实证分析表明，智能体通信中的平均知识重复率高达47.3%。我们提出了D3MAS（分解、推导与分发），一个分层协调框架，通过结构设计而非显式优化来解决冗余问题。该框架组织跨三个协调层的协作。任务分解在早期过滤掉不相关的子问题。协同推理捕获智能体之间互补的推理路径。分布式记忆提供对非冗余知识的访问。这些层通过统一异构图中的结构化消息传递进行协调。这种跨层对齐确保信息与实际任务需求保持一致。在四个具有挑战性的数据集上的实验表明，D3MAS始终将推理准确率提高8.7%至15.6%，并将知识冗余平均降低46%。

🔬 方法详解

问题定义：论文旨在解决多智能体系统中知识冗余的问题。现有方法中，智能体在协作过程中存在大量重复的知识检索和推理，导致效率低下。根本原因是缺乏有效的机制来保证智能体之间共享最少且充分的信息，从而避免不必要的重复工作。

核心思路：D3MAS的核心思路是通过分层协调框架，在结构上避免知识冗余，而不是通过显式的优化算法。该框架包含任务分解、协同推理和分布式记忆三个层次，每个层次都旨在减少冗余信息，并确保智能体之间共享的信息是互补且必要的。

技术框架：D3MAS框架包含三个主要层次：1) 任务分解层：将复杂任务分解为更小的子任务，并分配给不同的智能体，从而过滤掉不相关的子问题。2) 协同推理层：智能体之间共享推理路径，利用彼此的知识进行互补推理，避免重复推理。3) 分布式记忆层：维护一个非冗余的知识库，智能体可以从中访问所需的信息，避免重复检索。这三个层次通过统一的异构图进行协调，实现结构化消息传递。

关键创新：D3MAS的关键创新在于其分层协调的结构设计，通过任务分解、协同推理和分布式记忆三个层次，从根本上避免了知识冗余。与现有方法相比，D3MAS不是通过优化算法来减少冗余，而是通过结构设计来保证智能体之间共享的信息是互补且必要的，从而更有效地利用了智能体的知识。

关键设计：D3MAS使用异构图来表示智能体之间的关系和知识依赖。异构图中的节点表示智能体、任务、知识等，边表示智能体之间的通信、任务分配、知识依赖等关系。消息传递机制用于在异构图中传播信息，智能体根据接收到的信息进行推理和决策。具体的参数设置、损失函数和网络结构等技术细节在论文中未详细说明，属于未知信息。

📊 实验亮点

实验结果表明，D3MAS在四个具有挑战性的数据集上，始终将推理准确率提高了8.7%至15.6%，并将知识冗余平均降低了46%。这些数据表明，D3MAS能够有效地减少知识冗余，并提高多智能体系统的推理能力，显著优于现有方法。

🎯 应用场景

D3MAS框架可应用于各种需要多智能体协同解决问题的场景，例如：智能交通系统、分布式机器人系统、协同知识管理系统等。通过减少知识冗余，提高协作效率，D3MAS能够提升系统的整体性能和可扩展性，具有重要的实际应用价值和未来发展潜力。

📄 摘要（原文）

Multi-agent systems powered by large language models exhibit strong capabilities in collaborative problem-solving. However, these systems suffer from substantial knowledge redundancy. Agents duplicate efforts in retrieval and reasoning processes. This inefficiency stems from a deeper issue: current architectures lack mechanisms to ensure agents share minimal sufficient information at each operational stage. Empirical analysis reveals an average knowledge duplication rate of 47.3\% across agent communications. We propose D3MAS (Decompose, Deduce, and Distribute), a hierarchical coordination framework addressing redundancy through structural design rather than explicit optimization. The framework organizes collaboration across three coordinated layers. Task decomposition filters irrelevant sub-problems early. Collaborative reasoning captures complementary inference paths across agents. Distributed memory provides access to non-redundant knowledge. These layers coordinate through structured message passing in a unified heterogeneous graph. This cross-layer alignment ensures information remains aligned with actual task needs. Experiments on four challenging datasets show that D3MAS consistently improves reasoning accuracy by 8.7\% to 15.6\% and reduces knowledge redundancy by 46\% on average.