論文の概要: AgentInit: Initializing LLM-based Multi-Agent Systems via Diversity and Expertise Orchestration for Effective and Efficient Collaboration

• arxiv url: http://arxiv.org/abs/2509.19236v1
• Date: Tue, 23 Sep 2025 16:58:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.965943
• Title: AgentInit: Initializing LLM-based Multi-Agent Systems via Diversity and Expertise Orchestration for Effective and Efficient Collaboration
• Title（参考訳）: AgentInit: LLMに基づく多エージェントシステムの初期化
• Authors: Chunhao Tian, Yutong Wang, Xuebo Liu, Zhexuan Wang, Liang Ding, Miao Zhang, Min Zhang,
• Abstract要約: 我々はエージェントチームの構造を最適化することを目的としたAgentInitを提案する。 AgentInitはエージェント生成中のエージェント間のマルチラウンドインタラクションとリフレクションに加えて、自然言語からフォーマットメカニズムも組み込んでいる。
• 参考スコア（独自算出の注目度）: 35.78052021610084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proper initialization is crucial for any system, particularly in multi-agent systems (MAS), where it plays a pivotal role in determining both the system's efficiency and effectiveness. However, existing MAS initialization methods do not fully account for the collaborative needs of the generated agents in subsequent stages. Inspired by the principles of effective team composition, we propose AgentInit, which aims to optimize the structure of agent teams. Specifically, in addition to multi-round interactions and reflections between agents during agent generation, AgentInit incorporates a Natural Language to Format mechanism to ensure consistency and standardization. Balanced team selection strategies using Pareto principles are subsequently applied to jointly consider agent team diversity and task relevance to promote effective and efficient collaboration and enhance overall system performance. Experiments show that AgentInit consistently outperforms state-of-the-art initialization methods and pre-defined strategies across various frameworks and tasks, achieving an overall performance improvement of up to 1.2 and 1.6, respectively, while also significantly reducing token consumption. Further analysis confirms its strong transferability to similar tasks and verifies the effectiveness of its key components, demonstrating its capability and adaptability as a reliable MAS initialization method. Source code and models are available at https://github.com/1737423697/AgentInit.
• Abstract（参考訳）: 適切な初期化は、特にマルチエージェントシステム(MAS)において、システムの効率性と有効性を決定する上で重要な役割を果たす。 しかし、既存のMAS初期化法は、後続の段階で生成されたエージェントの協調的なニーズを十分に考慮していない。 効果的なチーム構成の原則にヒントを得て,エージェントチームの構造を最適化することを目的としたAgentInitを提案する。 具体的には、エージェント生成中のエージェント間のマルチラウンドインタラクションとリフレクションに加えて、AgentInitには、一貫性と標準化を保証する自然言語からフォーマットメカニズムが組み込まれている。 その後、Pareto原則を用いたバランスのとれたチーム選択戦略が適用され、エージェントチームの多様性とタスク関連性を共同で検討し、効果的で効率的なコラボレーションを促進し、システム全体のパフォーマンスを高める。 実験の結果、AgentInitは最先端の初期化メソッドとさまざまなフレームワークやタスクの事前定義された戦略を一貫して上回り、それぞれ1.2と1.6の全体的なパフォーマンス改善を実現し、トークン消費を著しく削減している。 さらに、類似したタスクに対する強い伝達可能性を確認し、その重要なコンポーネントの有効性を検証し、信頼性の高いMAS初期化法としてその能力と適応性を示す。 ソースコードとモデルはhttps://github.com/1737423697/AgentInit.comで入手できる。

関連論文リスト

• Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems [0.8437187555622164]
  大規模言語モデル(LLM)エージェントは、協調的なタスク補完の約束が増していることを示している。 既存のマルチエージェントフレームワークは、静的で固定されたロールと限定的なエージェント間通信に依存していることが多い。 本稿では,3つのコア機構による適応性を実現するための協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-22T22:42:51Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning [62.54484062185869]
  本稿では,エージェントの強化学習プロセスの最適化にステップワイド報酬を利用するStepAgentを紹介する。 エージェント反射とポリシー調整を容易にする暗黙の逆・逆の強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T10:35:11Z)
• MorphAgent: Empowering Agents through Self-Evolving Profiles and Decentralized Collaboration [11.01813164951313]
  本稿では,新しい自律型・自己組織化型・適応型多エージェントシステムであるMorphAgentを紹介する。 このアプローチでは,3つの主要な指標を通じて最適化された自己進化エージェントプロファイルを採用し,エージェントが個々の専門知識を磨き直す。 実験の結果,MorphAgentはタスク性能や要求の変化に対する適応性という点で,既存のフレームワークよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-19T09:10:49Z)
• 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)
• S-Agents: Self-organizing Agents in Open-ended Environments [15.700383873385892]
  動的ワークフローのための「エージェントのツリー」構造を持つ自己組織化エージェントシステム(S-Agents)を導入する。 この構造はエージェントのグループを自律的に調整することができ、オープン環境と動的環境の課題に効率的に対処することができる。 実験の結果,S-AgentsはMinecraft環境において協調的な建築作業や資源収集を行うことができた。
  論文  参考訳（メタデータ） (2024-02-07T04:36:31Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)

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。