論文の概要: Evolve as a Team: Collaborative Self-Evolution for LLM-based Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2605.29790v1
• Date: Thu, 28 May 2026 11:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.205015
• Title: Evolve as a Team: Collaborative Self-Evolution for LLM-based Multi-Agent Systems
• Title（参考訳）: チームとしての進化: LLMベースのマルチエージェントシステムのための協調的自己進化
• Authors: Zhezheng Hao, Tianfu Wang, Huanshuo Dong, Ziyan Liu, Hong Wang, Xiankun Lin, Qiang Lin, Can Wang, Hande Dong, Jiawei Chen,
• Abstract要約: LLMベースのマルチエージェントシステム(MAS)は、複雑で長期のタスクに有効なパラダイムとして登場した。 協調的自己進化に基づく経験駆動型MAS進化フレームワークであるMeta-Teamを提案する。 6つのロングホライゾンエージェントベンチマークにおいて、Meta-Teamはシングルエージェントシステム、手作りのMAS、および以前のMAS進化手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 15.16932911340632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based multi-agent systems (MAS) have emerged as an effective paradigm for complex and long-horizon tasks. However, in real-world tasks, MAS often exhibit various failures during execution and such failures are difficult to eliminate during design. This motivates experience-driven MAS evolution, where a system improves based on its own execution experience. Yet such evolution is challenging because MAS experience is prolonged and intricate, interleaving multiple agents' execution chains and communication messages, which makes it difficult to identify what should be improved. To address this challenge, we propose Meta-Team, an experience-driven MAS evolution framework based on collaborative self-evolution. Meta-Team preserves the execution context of each agent and coordinates post-task communication, enabling agents to exchange distributed evidence for evolution. Building on this design, Meta-Team conducts multi-scale self-evolution, transforming execution experience into reusable improvements to agent behaviors, inter-agent coordination, and team-level organization. Across six long-horizon agent benchmarks, Meta-Team consistently outperforms single-agent systems, hand-crafted MAS, and prior MAS evolution methods; further analyses demonstrate that Meta-Team enables more reliable and scalable MAS self-evolution.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は、複雑で長期のタスクに有効なパラダイムとして登場した。 しかし、実世界のタスクでは、MASは実行時に様々な障害を示すことが多く、そのような障害は設計時に除去することが難しい。 これにより、エクスペリエンス駆動のMAS進化が動機となり、システムは自身の実行エクスペリエンスに基づいて改善される。 しかし、MASエクスペリエンスは長く複雑であり、複数のエージェントの実行チェーンと通信メッセージをインターリーブするので、何が改善されるべきかを識別することが難しいため、このような進化は難しい。 この課題に対処するため,我々は,協調的自己進化に基づく経験駆動型MAS進化フレームワークであるMeta-Teamを提案する。 Meta-Teamは各エージェントの実行コンテキストを保存し、タスク後通信を調整することで、エージェントが進化のための分散エビデンスを交換することを可能にする。 この設計に基づいて、Meta-Teamはマルチスケールの自己進化を行い、実行経験をエージェントの振る舞い、エージェント間の調整、チームレベルの組織に再利用可能な改善に変換する。 6つのロングホライゾンエージェントベンチマークにおいて、Meta-Teamはシングルエージェントシステム、手作りのMAS、および以前のMAS進化手法を一貫して上回り、さらに解析により、Meta-Teamはより信頼性が高くスケーラブルなMAS自己進化を可能にすることを示した。

関連論文リスト

• TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems [55.81570336226014]
  動的マルチエージェントシステムのためのテスト時間共進化フレームワークであるTacoMASを紹介する。 TacoMASはMAS推論をオンライングラフ適応のタスクとして定式化し、ノードは役割固有の能力を持つエージェントを表し、エッジはその通信トポロジを定義する。 4つのベンチマークの実験では、TacoMASは20近いマルチエージェントベースラインを上回り、最強ベースラインよりも平均13.3%向上した。
  論文  参考訳（メタデータ） (2026-05-10T13:52:00Z)
• Towards AGI A Pragmatic Approach Towards Self Evolving Agent [0.0]
  大規模言語モデル(LLM)ベースのエージェントは、デプロイ後、強力だが基本的に静的である。 本研究では,Base LLM,運用SLMエージェント,Code-Generation LLM,Teacher-LLMを統合した階層的自己進化型マルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-15T20:43:44Z)
• 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)
• 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)

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。