論文の概要: MAS-on-the-Fly: Dynamic Adaptation of LLM-based Multi-Agent Systems at Test Time

• arxiv url: http://arxiv.org/abs/2602.13671v1
• Date: Sat, 14 Feb 2026 08:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.328177
• Title: MAS-on-the-Fly: Dynamic Adaptation of LLM-based Multi-Agent Systems at Test Time
• Title（参考訳）: MAS-on-the-Fly: LLMに基づくマルチエージェントシステムの試験時間における動的適応
• Authors: Guangyi Liu, Haojun Lin, Huan Zeng, Heng Wang, Quanming Yao,
• Abstract要約: テスト時に動的適応を可能にする新しいマルチエージェントフレームワークであるMASFlyを紹介する。 MASFlyは適応実行のために、専用のWatcherエージェントがシステム動作を監視するエクスペリエンス誘導型の監視メカニズムを組み込んでいる。 実験の結果、MASFlyは最先端のパフォーマンスを実現しており、特にTravelPlannerベンチマークでは61.7%の成功率である。
• 参考スコア（独自算出の注目度）: 32.22206915939924
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large Language Model (LLM)-based multi-agent systems (MAS) have emerged as a promising paradigm for solving complex tasks. However, existing works often rely on manual designs or "one-size-fits-all" automation, lacking dynamic adaptability after deployment. Inspired by how biological systems adapt, we introduce MASFly, a novel multi-agent framework enabling dynamic adaptation at test time. To adapt system generation, MASFly employs a retrieval-augmented SOP instantiation mechanism that leverages a self-constructed repository of successful collaboration patterns, enabling the LLM to assemble customized MASs for new queries. For adaptive execution, MASFly incorporates an experience-guided supervision mechanism, where a dedicated Watcher agent monitors system behaviors with reference to a personalized experience pool and provides real-time interventions. Extensive experiments demonstrate that MASFly achieves state-of-the-art performance, most notably a 61.7% success rate on the TravelPlanner benchmark, while exhibiting strong task adaptability and robustness.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は,複雑なタスクを解く上で有望なパラダイムとして登場した。 しかしながら、既存の作業は手動設計や"オールサイズ"自動化に依存しており、デプロイ後の動的適応性に欠けることが多い。 生体システムがどのように適応するかに触発されて、テスト時に動的適応を可能にする新しいマルチエージェントフレームワークMASFlyを導入する。 システム生成に適応するために、MASFlyは検索強化されたSOPインスタンス機構を採用しており、これは、成功したコラボレーションパターンの自己構築リポジトリを活用し、LLMは新しいクエリのためにカスタマイズされたMASを組み立てることを可能にする。 適応実行には、専用のWatcherエージェントがパーソナライズされたエクスペリエンスプールを参照してシステムの振る舞いを監視し、リアルタイムの介入を提供する、エクスペリエンス誘導型の監視メカニズムが組み込まれている。 大規模な実験により、MASFlyは最先端のパフォーマンス、特にトラベルプランナーベンチマークでの61.7%の成功率を達成し、強いタスク適応性と堅牢性を示した。

関連論文リスト

• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• AMAS: Adaptively Determining Communication Topology for LLM-based Multi-Agent System [19.336020954831202]
  大規模言語モデル (LLM) は自然言語処理能力に革命をもたらし、産業問題解決のための自律型マルチエージェントシステム (MAS) として実践的に実装されている。 我々は、新しい動的グラフデザイナを通じてLLMベースのMASを再定義するパラダイムシフトフレームワークであるAMASを紹介する。 AMASは個々の入力の固有の特性を利用して、タスク最適化エージェント経路を介してインテリジェントにクエリトラジェクトリをクエリする。
  論文  参考訳（メタデータ） (2025-10-02T02:50:22Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• 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)
• EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms [55.77492625524141]
  EvoAgentは、特殊エージェントをマルチエージェントシステムに自動的に拡張するジェネリックメソッドである。 EvoAgent は LLM エージェントのタスク解決能力を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-06-20T11:49:23Z)
• Smurfs: Multi-Agent System using Context-Efficient DFSDT for Tool Planning [14.635361844362794]
  Smurfsは、DFSDTをモジュール的で、文脈効率が高く、トレーニング不要な設計で強化する新しいマルチエージェントシステムである。 Smurfsは、オープンエンドのStableToolBenchとクローズドエンドのHotpotQAタスクのベースラインメソッドを上回っている。
  論文  参考訳（メタデータ） (2024-05-09T17:49:04Z)

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。