論文の概要: MASFactory: A Graph-centric Framework for Orchestrating LLM-Based Multi-Agent Systems with Vibe Graphing

• arxiv url: http://arxiv.org/abs/2603.06007v1
• Date: Fri, 06 Mar 2026 08:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.301716
• Title: MASFactory: A Graph-centric Framework for Orchestrating LLM-Based Multi-Agent Systems with Vibe Graphing
• Title（参考訳）: MASFactory: ビブグラフを用いたLLMベースのマルチエージェントシステムのオーケストレーションのためのグラフ中心フレームワーク
• Authors: Yang Liu, Jinxuan Cai, Yishen Li, Qi Meng, Zedi Liu, Xin Li, Chen Qian, Chuan Shi, Cheng Yang,
• Abstract要約: 大規模言語モデルベース (LLM-based) マルチエージェントシステム (MAS) は、役割計算と協調によるエージェント問題解決の拡張にますます利用されている。 LLMベースのMASを編成するグラフ中心のフレームワークであるMASFactoryを提案する。 Vibe Graphingは、自然言語インテントを編集可能なワークフロー仕様にコンパイルし、実行可能グラフにコンパイルする、ヒューマン・イン・ザ・ループのアプローチである。
• 参考スコア（独自算出の注目度）: 29.41980157624285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model-based (LLM-based) multi-agent systems (MAS) are increasingly used to extend agentic problem solving via role specialization and collaboration. MAS workflows can be naturally modeled as directed computation graphs, where nodes execute agents/sub-workflows and edges encode dependencies and message passing. However, implementing complex graph workflows in current frameworks still requires substantial manual effort, offers limited reuse, and makes it difficult to integrate heterogeneous external context sources. To overcome these limitations, we present MASFactory, a graph-centric framework for orchestrating LLM-based MAS. It introduces Vibe Graphing, a human-in-the-loop approach that compiles natural-language intent into an editable workflow specification and then into an executable graph. In addition, the framework provides reusable components and pluggable context integration, as well as a visualizer for topology preview, runtime tracing, and human-in-the-loop interaction. We evaluate MASFactory on seven public benchmarks, validating both reproduction consistency for representative MAS methods and the effectiveness of Vibe Graphing. Our code (https://github.com/BUPT-GAMMA/MASFactory) and video (https://youtu.be/ANynzVfY32k) are publicly available.
• Abstract（参考訳）: 大規模言語モデルベース(LLMをベースとする)マルチエージェントシステム(MAS)は、役割の専門化とコラボレーションを通じてエージェント問題の解決を拡張するためにますます利用されている。 ノードはエージェント/サブワークフローを実行し、エッジは依存関係とメッセージパッシングをエンコードする。 しかし、現在のフレームワークで複雑なグラフワークフローを実装するには、依然としてかなりの手作業が必要であり、限られた再利用を提供し、異種外部コンテキストソースの統合を困難にしている。 これらの制限を克服するために,LLMベースのMASを編成するグラフ中心のフレームワークであるMASFactoryを提案する。 Vibe Graphingは、自然言語インテントを編集可能なワークフロー仕様にコンパイルし、実行可能グラフにコンパイルする、ヒューマン・イン・ザ・ループのアプローチである。 さらにフレームワークは、再利用可能なコンポーネントとプラグイン可能なコンテキスト統合、トポロジプレビュー、ランタイムトレース、ヒューマン・イン・ザ・ループのインタラクションのためのビジュアライザを提供する。 我々は,7つの公開ベンチマーク上でMASFactoryを評価し,代表MAS法の再現一貫性とバイブグラフの有効性を検証した。 私たちのコード(https://github.com/BUPT-GAMMA/MASFactory)とビデオ(https://youtu.be/ANynzVfY32k)は公開されています。

関連論文リスト

• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Multi-Agent GraphRAG: A Text-to-Cypher Framework for Labeled Property Graphs [7.943264761730892]
  Multi-Agent GraphRAGはLPGベースのグラフデータに対する自然言語インタフェースとして機能する。 繰り返しコンテンツ認識の修正と正規化は、集約されたフィードバックループによって強化され、生成されたクエリのセマンティックおよび構文的改善の両方を保証する。 このことは、このようなアプローチがAIを大規模に現実世界のアプリケーションにブリッジする方法を強調し、産業用デジタル自動化のユースケースを可能にしている。
  論文  参考訳（メタデータ） (2025-11-11T14:04:00Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Scalability Matters: Overcoming Challenges in InstructGLM with Similarity-Degree-Based Sampling [1.2805157669888096]
  提案するSDM-InstructGLMは,GNNに依存することなく,拡張性と効率を向上する命令調整グラフ言語モデル(InstructGLM)フレームワークである。 本手法では,ノード間類似度と次数集中度に基づいてグラフ情報を選択的にサンプリングし,符号化する,類似度に基づくバイアス付きランダムウォーク機構を提案する。 本結果は,LLMのみのグラフ処理の実現可能性を示し,命令ベースの微調整によって最適化されたスケーラブルかつ解釈可能なグラフ言語モデル(GLM)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T06:08:21Z)
• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• Language Agents as Optimizable Graphs [31.220547147952278]
  本稿では,Large Language Models (LLM) ベースのエージェントを計算グラフとして記述する。 我々のフレームワークは、様々なLSMエージェントを効率的に開発し、統合し、自動的に改善するために使用することができる。
  論文  参考訳（メタデータ） (2024-02-26T18:48:27Z)

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。