論文の概要: When Agents Evolve, Institutions Follow

• arxiv url: http://arxiv.org/abs/2604.27691v1
• Date: Thu, 30 Apr 2026 10:30:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.041247
• Title: When Agents Evolve, Institutions Follow
• Title（参考訳）: エージェントが進化し、機関がフォローする
• Authors: Chao Fei, Hongcheng Guo, Yanghua Xiao,
• Abstract要約: 大規模言語モデル上に構築されたマルチエージェントシステムは、同じ課題に直面している。 彼らの中心的な問題は、個人の知性だけでなく、集団的な組織である。 我々は,4つの標準的ガバナンスパターンにまたがる7つの歴史的政治機関を,実行可能なマルチエージェントアーキテクチャに翻訳する。
• 参考スコア（独自算出の注目度）: 52.359340707289114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Across millennia, complex societies have faced the same coordination problem of how to organize collective action among cognitively bounded and informationally incomplete individuals. Different civilizations developed different political institutions to answer the same basic questions of who proposes, who reviews, who executes, and how errors are corrected. We argue that multi-agent systems built on large language models face the same challenge. Their central problem is not only individual intelligence, but collective organization. Historical institutions therefore provide a structured design space for multi-agent architectures, making key trade-offs between efficiency and error correction, centralization and distribution, and specialization and redundancy empirically testable. We translate seven historical political institutions, spanning four canonical governance patterns, into executable multi-agent architectures and evaluate them under identical conditions across three large language models and two benchmarks. We find that governance topology strongly shapes collective performance. Within a single model, the gap between the best and worst institution exceeds 57 percentage points, while the optimal architecture shifts systematically with model capability and task characteristics. These results suggest that collective intelligence will not advance through a single optimal organizational form, but through governance mechanisms that can be reselected and reconfigured as tasks and capabilities evolve. More broadly, this points to a transition from \textbf{self-evolving agents} to the \textbf{self-evolving multi-agent system}. The code is available on \href{https://github.com/cf3i/SocialSystemArena}{GitHub}.
• Abstract（参考訳）: 何千年もの間、複雑な社会は認知的に拘束され、情報的に不完全な個人の間で集団行動をどのように組織するかという、同じ調整問題に直面してきた。 異なる文明は、誰が提案し、誰がレビューし、誰が実行し、どのようにエラーが修正されるかという、同じ基本的な疑問に答えるために、異なる政治機関を発展させた。 大規模言語モデル上に構築されたマルチエージェントシステムは、同じ課題に直面している。 彼らの中心的な問題は、個人の知性だけでなく、集団的な組織である。 したがって、歴史的機関はマルチエージェントアーキテクチャのための構造化された設計空間を提供し、効率性とエラー訂正、集中化と分散、特殊化と冗長性を実証的にテスト可能である。 我々は,4つの標準的ガバナンスパターンにまたがる7つの歴史的政治制度を,実行可能マルチエージェントアーキテクチャに変換し,これらを3つの大言語モデルと2つのベンチマークで同一条件下で評価する。 ガバナンストポロジが集団のパフォーマンスを強く形作っていることが分かりました。 1つのモデル内では、最高の機関と最悪の機関のギャップは57パーセントを超え、最適なアーキテクチャはモデル能力とタスク特性とともに体系的に変化する。 これらの結果は、集合的知性は、単一の最適な組織形態を通じてではなく、タスクや能力が進化するにつれて再選択され、再構成されるガバナンスメカニズムを通じて前進することを示している。 より広く言えば、これは \textbf{self-evolving agent} から \textbf{self-evolving multi-agent system} への遷移を指す。 コードは \href{https://github.com/cf3i/SocialSystemArena}{GitHub} で公開されている。

関連論文リスト

• Diversity Collapse in Multi-Agent LLM Systems: Structural Coupling and Collective Failure in Open-Ended Idea Generation [38.13720312846963]
  我々は、モデルインテリジェンス、エージェント認知、システムダイナミクスの3つのボトムアップレベルにおいて、MASに基づくアイデアの多様性について研究する。 これらの成果を,構造的結合から生じる集合的失敗として特徴づける。 この崩壊は,本質的なモデル不足というよりも,相互作用構造に起因していると考えられる。
  論文  参考訳（メタデータ） (2026-04-20T09:27:49Z)
• OrgAgent: Organize Your Multi-Agent System like a Company [75.47076168155817]
  企業スタイルの階層型マルチエージェントフレームワークであるOrgAgentを紹介します。 企業スタイルの階層で組織されたマルチエージェントシステムは、一般的に他の組織構造よりも優れています。
  論文  参考訳（メタデータ） (2026-04-01T15:21:14Z)
• Context Engineering: From Prompts to Corporate Multi-Agent Architecture [0.0]
  関連性, 十分性, 孤立性, 経済性, 証明性, およびエージェントのオペレーティングシステムとしてのコンテキストフレームの5つの品質基準を提案する。 Intent Engineeringは、組織目標、価値、トレードオフ階層をエージェントインフラストラクチャにエンコードする。 仕様工学は、大規模にマルチエージェントシステムの自律的な運用を可能にする企業方針と標準の機械可読コーパスを作成する。
  論文  参考訳（メタデータ） (2026-03-10T12:58:31Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
  大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。 我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
  論文  参考訳（メタデータ） (2025-05-28T15:20:09Z)
• 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)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)
• Hierarchical Decentralized Deep Reinforcement Learning Architecture for a Simulated Four-Legged Agent [0.0]
  自然界では、運動の制御は階層的で分散的な方法で起こる。 そこで本研究では,シミュレートされた脚型エージェントを制御するための,分散型階層型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-21T07:55:33Z)

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。