論文の概要: TCP-MCP: Landscape-Guided Co-Evolution of Prompts and Communication Topologies for Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2605.27850v1
• Date: Wed, 27 May 2026 02:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.685355
• Title: TCP-MCP: Landscape-Guided Co-Evolution of Prompts and Communication Topologies for Multi-Agent Systems
• Title（参考訳）: TCP-MCP:マルチエージェントシステムのためのランドスケープ誘導型プロンプトと通信トポロジーの共進化
• Authors: Yi Ding, Zijie Xuan, Haowei Zhou, Zhenyu Ju, Xiaoxiao Dong, Jingwen Zhang, Xingyu Zhu, Leixin Sun, Haochi Zhang,
• Abstract要約: TCP-MCP検索エージェントは、統合されたゲノムとしてプロンプトと通信トポロジを誘導する。 自動グラフ生成ベースラインを一貫して上回り、競争精度を達成する。 これらの結果から,共同で進化するプロンプトと通信構造が,コストを意識したマルチエージェントシステム設計への実践的経路を提供することが示された。
• 参考スコア（独自算出の注目度）: 11.588877843874313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective multi-agent systems cannot be designed by selecting prompts or communication graphs in isolation. Agent behavior depends on the information an agent receives, while the usefulness of a communication edge depends on how the receiving agent interprets and uses that information. We propose \textbf{TCP-MCP} (Topology-Coupled Prompting for Multi-Agent Collaborative Problem-Solving), a co-evolution framework that searches agent prompts and communication topologies as a unified genome. TCP-MCP uses an initialization-time landscape probe to calibrate early search behavior, and then relies on Pareto-front diagnostics to adapt exploration under three objectives: task performance, token cost, and structural complexity. Using the same DeepSeek-V3.2 backbone across all methods, TCP-MCP achieves 82.66\%, 89.96\%, and 96.61\% accuracy on MMLU-Pro, MMLU, and GSM8K, respectively. Across the three benchmarks, it consistently outperforms automated graph-generation baselines and achieves competitive accuracy relative to debate-style systems, while using up to 5.69$\times$ fewer tokens than those systems at the reported operating points. These results show that jointly evolving prompts and communication structure provides a practical route to cost-aware and task-adaptive multi-agent system design in controlled evaluations.
• Abstract（参考訳）: 効果的なマルチエージェントシステムは、プロンプトや通信グラフを独立に選択することでは設計できない。 エージェントの振る舞いは、エージェントが受信した情報に依存するが、通信エッジの有用性は、受信エージェントがどのようにその情報を解釈し、利用するかに依存する。 エージェントのプロンプトと通信トポロジを統一ゲノムとして検索する共進化フレームワークである「textbf{TCP-MCP" (Topology-Coupled Prompting for Multi-Agent Collaborative Problem-Solving)」を提案する。 TCP-MCPは初期化時ランドスケーププローブを用いて早期探索動作の校正を行い、パレートフロント診断を用いて3つの目的(タスク性能、トークンコスト、構造的複雑さ)の探索に適応する。 TCP-MCPはすべてのメソッドで同じDeepSeek-V3.2バックボーンを使用して、それぞれMMLU-Pro、MMLU、GSM8Kで82.66\%、89.96\%、96.61\%の精度を達成した。 3つのベンチマーク全体では、自動グラフ生成ベースラインを一貫して上回り、議論スタイルのシステムと比較して競争精度が向上する一方で、報告された運用ポイントのシステムよりも最大5.69$\times$少なめのトークンを使用する。 これらの結果は、制御された評価において、共同で進化するプロンプトと通信構造がコスト認識およびタスク適応型マルチエージェントシステム設計への実践的な経路を提供することを示している。

関連論文リスト

• Learning to Communicate: Toward End-to-End Optimization of Multi-Agent Language Systems [30.327850022896286]
  本稿では,マルチエージェントシステムの学習可能なコンポーネントとして,潜時通信を扱うトレーニングフレームワークDiffMASを提案する。 実験により,DiffMASは単一エージェント推論,テキストベースマルチエージェントシステム,先行潜時通信方式に対して,推論精度と復号安定性を一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-04-23T15:53:25Z)
• Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
  協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。 提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。 エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-01T00:38:24Z)
• GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems [55.12339141172908]
  GoAgentは、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成手法である。 6つのベンチマークの実験では、GoAgentの最先端のパフォーマンスを93.84%の平均精度で証明し、トークン消費を約17%削減した。
  論文  参考訳（メタデータ） (2026-03-20T06:21:32Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
  本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-21T18:34:43Z)
• G-Designer: Architecting Multi-agent Communication Topologies via Graph Neural Networks [36.98849144472012]
  G-Designerは,マルチエージェントデプロイメントのための適応的,効率的,堅牢なソリューションである。 G-Designerはタスク対応、カスタマイズされた通信トポロジを動的に設計する。
  論文  参考訳（メタデータ） (2024-10-15T17:01:21Z)

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。