論文の概要: What Should Agents Say? Action-state Communication for Efficient Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2606.05304v1
- Date: Wed, 03 Jun 2026 18:00:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.32304
- Title: What Should Agents Say? Action-state Communication for Efficient Multi-Agent Systems
- Title（参考訳）: エージェントは何を言うべきか? 効率的なマルチエージェントシステムのための行動状態通信
- Authors: Chen Huang, Yuhao Wu, Wenxuan Zhang,
- Abstract要約: 2つのマルチエージェントシステム間での5つの共通エージェント間通信戦略を解析する。
PACT (Protocolized Action-State Communication and Transmission) は,エージェント間通信を状態更新問題として扱う。
PACTはパフォーマンスコストのトレードオフを一貫して改善し、トークンを著しく少なくして、同等またはより強力なタスクパフォーマンスを実現しています。
- 参考スコア（独自算出の注目度）: 27.11156309236441
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent systems (MAS) built on large language models are typically organized around roles, pipelines, and turn schedules, while the content that agents pass to one another is often left as unconstrained natural language. However, this free-form communication can rapidly inflate token usage, consume the shared context window, and ultimately affect both system performance and inference cost. We analyze five common inter-agent communication strategies across two MAS topologies, finding that no fixed strategy is universally optimal. Instead, effective inter-agent messages consistently preserve action-centered information needed by downstream agents. Building on this, we propose the PACT (Protocolized Action-state Communication and Transmission), which treats inter-agent communication as a public state-update problem and projects each raw agent output into a compact action-state record before it enters shared history. Across different MAS topologies, PACT consistently improves the performance-cost trade-off, achieving comparable or stronger task performance with substantially fewer tokens. The gains extend to production coding harnesses: PACT lifts OpenHands' resolve rate at -10% tokens-per-resolved, and is resolve-neutral on SWE-agent while halving input tokens. Our code is publicly available at https://github.com/iNLP-Lab/PACT.
- Abstract（参考訳）: 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(MAS)は通常、役割、パイプライン、ターンスケジュールを中心に構成される。
しかし、この自由形式のコミュニケーションはトークンの使用量を急速に増加させ、共有コンテキストウインドウを消費し、最終的にはシステム性能と推論コストの両方に影響を与える可能性がある。
我々は、2つのMASトポロジにまたがる5つの共通エージェント間通信戦略を分析し、固定戦略が普遍的に最適でないことを発見した。
代わりに、効果的なエージェント間メッセージは、ダウンストリームエージェントが必要とするアクション中心の情報を一貫して保持する。
そこで我々は, PACT (Protocolized Action-state Communication and Transmission) を提案し, エージェント間通信を状態更新問題として扱い, 共有履歴に入る前に各エージェントの出力をコンパクトな動作状態レコードに投影する。
異なるMASトポロジ全体にわたって、PACTはパフォーマンスコストのトレードオフを一貫して改善し、トークンを著しく少なくして、同等またはより強力なタスクパフォーマンスを達成する。
PACTはOpenHandsのリゾルバレートを-10%のトークン/リゾルバで引き上げ、入力トークンを半減しながらSWEエージェント上でリゾルバニュートラルにする。
私たちのコードはhttps://github.com/iNLP-Lab/PACT.comで公開されています。
関連論文リスト
- GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。
長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。
我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
論文 参考訳（メタデータ） (2026-04-18T17:59:15Z) - 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) - Augmenting Multi-Agent Communication with State Delta Trajectory [44.68954502805962]
本稿では,自然言語トークンとトークン単位の状態遷移の両方をエージェントから別のエージェントに転送する新しい通信プロトコルを提案する。
それぞれのトークンを生成した後のLSMの状態変化のシーケンスは、推論プロセスの裏側に隠された情報をよりよく反映できることがわかった。
実験の結果,SDEを用いたマルチエージェントシステムでは,他の通信プロトコルと比較してSOTAの性能が向上していることがわかった。
論文 参考訳（メタデータ） (2025-06-24T00:38:25Z) - 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) - Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。
LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
論文 参考訳（メタデータ） (2025-05-23T08:23:36Z) - DroidSpeak: KV Cache Sharing for Cross-LLM Communication and Multi-LLM Serving [14.700431530275132]
DroidSpeakは分散ノード間でKVキャッシュの再利用を可能にする最初の分散LLM推論システムである。
DroidSpeakは最大4倍のスループット向上と約3.1倍高速プリフィル(タイム・ツー・ファーストトークン)を実現していることを示す。
多様なデータセットとモデルペアの実験では、DroidSpeakは最大4倍のスループット向上と約3.1倍の高速化を実現している。
論文 参考訳（メタデータ） (2024-11-05T05:41:41Z) - Context-aware Communication for Multi-agent Reinforcement Learning [6.109127175562235]
マルチエージェント強化学習(MARL)のための文脈認識型コミュニケーション手法を開発した。
第1段階では、エージェントは放送方式で粗い表現を交換し、第2段階のコンテキストを提供する。
その後、エージェントは第2段階の注意機構を利用し、受信機用にパーソナライズされたメッセージを選択的に生成する。
CACOMの有効性を評価するため,アクタ批判型と値に基づくMARLアルゴリズムを併用する。
論文 参考訳（メタデータ） (2023-12-25T03:33:08Z) - Learning Individually Inferred Communication for Multi-Agent Cooperation [37.56115000150748]
我々はエージェントエージェントがエージェントエージェントコミュニケーションの事前学習を可能にするために、個別推論通信(I2C)を提案する。
先行知識は因果推論によって学習され、フィードフォワードニューラルネットワークによって実現される。
I2Cは通信オーバーヘッドを減らすだけでなく、様々なマルチエージェント協調シナリオのパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2020-06-11T14:07:57Z)
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。