論文の概要: AgentOrchestra: A Hierarchical Multi-Agent Framework for General-Purpose Task Solving

• arxiv url: http://arxiv.org/abs/2506.12508v2
• Date: Tue, 17 Jun 2025 07:08:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 13:08:30.105675
• Title: AgentOrchestra: A Hierarchical Multi-Agent Framework for General-Purpose Task Solving
• Title（参考訳）: AgentOrchestra: 汎用タスク解決のための階層型マルチエージェントフレームワーク
• Authors: Wentao Zhang, Ce Cui, Yilei Zhao, Rui Hu, Yang Liu, Yahui Zhou, Bo An,
• Abstract要約: Projectnameは汎用タスク解決のための階層的なマルチエージェントフレームワークである。 Projectnameは、複雑な目的を分解し、サブタスクを専門エージェントのチームに委譲する中央計画エージェントを特徴とする。 各サブエージェントは、汎用プログラミングおよび分析ツールと、幅広い現実世界固有のタスクに取り組む能力を備えている。
• 参考スコア（独自算出の注目度）: 30.50203052125566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in agent systems based on large language models (LLMs) have demonstrated strong capabilities in solving complex tasks. However, most current methods lack mechanisms for coordinating specialized agents and have limited ability to generalize to new or diverse domains. We introduce \projectname, a hierarchical multi-agent framework for general-purpose task solving that integrates high-level planning with modular agent collaboration. Inspired by the way a conductor orchestrates a symphony and guided by the principles of \textit{extensibility}, \textit{multimodality}, \textit{modularity}, and \textit{coordination}, \projectname features a central planning agent that decomposes complex objectives and delegates sub-tasks to a team of specialized agents. Each sub-agent is equipped with general programming and analytical tools, as well as abilities to tackle a wide range of real-world specific tasks, including data analysis, file operations, web navigation, and interactive reasoning in dynamic multimodal environments. \projectname supports flexible orchestration through explicit sub-goal formulation, inter-agent communication, and adaptive role allocation. We evaluate the framework on three widely used benchmark datasets covering various real-world tasks, searching web pages, reasoning over heterogeneous modalities, etc. Experimental results demonstrate that \projectname consistently outperforms flat-agent and monolithic baselines in task success rate and adaptability. These findings highlight the effectiveness of hierarchical organization and role specialization in building scalable and general-purpose LLM-based agent systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくエージェントシステムの最近の進歩は、複雑なタスクを解く上で強力な能力を示している。 しかし、現在のほとんどの手法には、特殊エージェントを調整するためのメカニズムがなく、新しいドメインや多様なドメインに一般化する能力に制限がある。 汎用タスク解決のための階層型マルチエージェントフレームワークである‘projectname’を導入する。 指揮者が交響曲を編成し、 \textit{extensibility} 、 \textit{multimodality} 、 \textit{modularity} 、 \textit{coordination} の原則に導かれ、複雑な目的を分解し、サブタスクを特殊エージェントのチームに委譲する中央計画エージェントを特徴とする。 各サブエージェントは汎用的なプログラミングツールと分析ツールを備えており、動的マルチモーダル環境におけるデータ分析、ファイル操作、Webナビゲーション、インタラクティブな推論など、幅広い現実的なタスクに対処できる。 プロジェクト名は、明示的なサブゴールの定式化、エージェント間通信、アダプティブロールアロケーションを通じて柔軟なオーケストレーションをサポートする。 実世界のタスクを網羅し、Webページを検索し、不均一なモダリティを推論するなど、広く利用されている3つのベンチマークデータセット上でフレームワークを評価した。 実験の結果,プロジェクト名はタスク成功率と適応性において,フラットエージェントとモノリシックベースラインを一貫して上回ることがわかった。 これらの知見は、スケーラブルで汎用的なLCMエージェントシステムの構築における階層的組織の有効性と役割の専門化を浮き彫りにした。

関連論文リスト

• HALO: Hierarchical Autonomous Logic-Oriented Orchestration for Multi-Agent LLM Systems [1.1930434318557155]
  階層的推論アーキテクチャに基づくマルチエージェント協調フレームワークHALOを紹介する。 具体的には、タスク分解のための高レベル計画エージェント、サブタスク固有のエージェントインスタンス化のための中レベルロール設計エージェント、サブタスク実行のための低レベル推論エージェントを組み込んだ。 ユーザの大部分がプロンプトエンジニアリングの専門知識を欠いているため、Adaptive Prompt Refinementモジュールを使用して、生クエリをタスク固有のプロンプトに変換する。
  論文  参考訳（メタデータ） (2025-05-17T04:14:03Z)
• Neural Orchestration for Multi-Agent Systems: A Deep Learning Framework for Optimal Agent Selection in Multi-Domain Task Environments [0.8287206589886881]
  マルチドメインタスク環境における最適なエージェント選択のためのニューラルネットワークフレームワークであるMetaOrchを提案する。 ファジィ評価モジュールは、完全性、妥当性、信頼度に沿ってエージェント応答をスコアし、オーケストレータを訓練するためのソフトインスペクタラベルを生成する。 異種剤を用いた模擬環境実験により, 提案手法が86.3%の選択精度を達成できた。
  論文  参考訳（メタデータ） (2025-05-03T02:58:25Z)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。 本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。 大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
  既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。 我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。 IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
  論文  参考訳（メタデータ） (2024-07-09T17:33:24Z)
• TDAG: A Multi-Agent Framework based on Dynamic Task Decomposition and Agent Generation [41.21899915378596]
  動的タスク分解・エージェント生成(TDAG)に基づくマルチエージェントフレームワークを提案する。 このフレームワークは複雑なタスクを小さなサブタスクに動的に分解し、それぞれが特定の生成されたサブエージェントに割り当てる。 ItineraryBenchは、さまざまな複雑さのタスク間でのメモリ、計画、ツール使用量のエージェントの能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-02-15T18:27:37Z)
• Agents meet OKR: An Object and Key Results Driven Agent System with Hierarchical Self-Collaboration and Self-Evaluation [25.308341461293857]
  OKR-Agentは、タスク解決におけるLarge Language Models(LLM)の機能を強化するように設計されている。 我々のフレームワークには、階層オブジェクトとキー結果の生成とマルチレベル評価という、2つの新しいモジュールが含まれています。
  論文  参考訳（メタデータ） (2023-11-28T06:16:30Z)
• AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors [93.38830440346783]
  本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。 実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。 これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
  論文  参考訳（メタデータ） (2023-08-21T16:47:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。