論文の概要: Toward an Organizational Science of Multi-Agent LLM Systems: Decoupling Who, How, and Which Algorithm
- arxiv url: http://arxiv.org/abs/2607.25446v1
- Date: Tue, 28 Jul 2026 08:35:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.776573
- Title: Toward an Organizational Science of Multi-Agent LLM Systems: Decoupling Who, How, and Which Algorithm
- Title（参考訳）: マルチエージェントLLMシステムの組織科学に向けて:誰、どのように、どのアルゴリズムを分離するか
- Abstract要約: IMACSは、チームにいる人、メンバーがどのように整列し、どのアルゴリズムが作業を混乱させるかという、論理的に異なる3つの懸念を分離する。
我々は、この分離を利用して、協調プロトコルが固定されている間、組織的な課題が異なる制御された比較を行う。
また、プロトコルの選択を学習可能な変数に変換する。
- 参考スコア（独自算出の注目度）: 14.162774819793759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-agent frameworks built on large language models (LLMs) routinely entangle three logically distinct concerns: who is on the team (organization), how members align (coordination), and which algorithm fuses their work (collaboration protocol). IMACS (Intelligent Multi-Agent Collaboration System) separates the three into orthogonal, independently swappable layers. Classic organizational theory (Belbin roles, Mintzberg coordination, RACI accountability) becomes executable, validated configuration, and the framework places six published collaboration algorithms behind a common interface while exposing roles, coordination, and accountability as independently configurable factors. We use this separation to conduct controlled comparisons in which organizational assignments vary while the collaboration protocol is held fixed. It also turns protocol choice into a variable that can be learned: Adaptive Org Routing, a contextual-bandit meta-protocol, selects a protocol per task under an explicit quality-cost tradeoff, outperforms every fixed protocol in a controlled study, and trains online on real benchmark and LLM-judge rewards. The ablations expose a mechanism. Accountability placement changes outcomes exactly when the protocol routes the deliverable through the accountable agent, and the winning placement flips across model families, so organizational design cannot be hard-coded; it must be revalidated, or learned, for each model binding.
- Abstract（参考訳）: 大規模言語モデル(LLM)上に構築されたマルチエージェントフレームワークは,チーム(組織),メンバのコーディネーション(コーディネーション),作業の融合(協調プロトコル)という,論理的に異なる3つの懸念点を日常的に絡み合わせる。
IMACS (Intelligent Multi-Agent Collaboration System) は3つの層を直交的に分離する。
古典的な組織理論(ベルビンの役割、ミンツバーグの調整、RACIの説明責任)は実行可能になり、検証された構成となり、フレームワークは、役割、調整、説明責任を独立した構成可能な要素として公開しながら、共通のインターフェースの背後に6つのコラボレーションアルゴリズムを配置する。
我々は、この分離を利用して、協調プロトコルが固定されている間、組織的な課題が異なる制御された比較を行う。
Adaptive Org Routingはコンテキスト帯域のメタプロトコールで、明示的な品質コストのトレードオフの下でタスク毎のプロトコルを選択し、制御された研究で固定されたプロトコルをすべて上回り、実際のベンチマークとLLM-judgeの報酬でオンラインにトレーニングします。
アブレーションはメカニズムを公開する。
アカウンタビリティの配置は、プロトコルがカウンタブルエージェントを介してデリバリをルーティングし、勝利の配置がモデルファミリにまたがるときに、正確に結果を変更するため、組織設計はハードコードできない。
関連論文リスト
- TRACER: Turn-level Regret Matching with Inner Reinforcement Credit for Cooperative Multi-LLM Reasoning [25.10564375661515]
大規模言語モデルは、推論を改善するために強化学習またはマルチエージェントにますます依存している。
協調型マルチLLM推論のためのターンレベル強化フレームワークであるTRACERを紹介する。
我々は,GSM8Kトレーニングの分割と,GSM8K,MATH500,GPQA-Diamondにおける局所的なRLスタイルの手法を訓練し,ドメイン内精度,クロスベンチマークの一般化,推論コスト,修正保存行動を測定する。
論文 参考訳（メタデータ） (2026-05-27T16:25:21Z) - AgensFlow: A Coordination-Policy Substrate for Multi-Agent Systems [0.0]
AgensFlowは、部分的な可観測性の下でのオンラインポリシー学習問題としてマルチエージェントコーディネーションを扱う。
AgensFlowは、分散システムインシデントタスクとセキュリティ管理者タスクの2つのコーパスで評価されている。
論文 参考訳（メタデータ） (2026-05-26T08:10:52Z) - Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems [65.90791804095561]
マルチエージェントシステムは、特殊エージェント間の構造化された協調を通じてこの問題に対処するが、より厳密な調整は、あまり検討されていないリスクを増幅する。
既存の調査では、個々のエージェント能力、マルチエージェントのコラボレーション、エージェントの自己進化を別々にカバーしている。
この調査は4つの因果関係のあるステージを中心にまとめられた統一されたレビューを提供する。これはLIFEの進展(Lay the capabilities foundation)、協力によるエージェントの統合、帰属による障害の発見、自律的な自己改善によるEvolveである。
論文 参考訳（メタデータ） (2026-05-14T14:36:13Z) - Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。
本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
論文 参考訳（メタデータ） (2026-05-07T14:19:17Z) - Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition [61.291733522717415]
Agent-as-Toolは並列オーケストレーションのパラダイムであり、エージェントとツールの両方を標準化された学習可能なアクション空間に緩和する。
ParaManagerは、サブタスク解決から計画決定を分離し、ステート対応の並列サブタスク分解、デリゲート、非同期実行を可能にする。
実験により、ParaManagerは複数のベンチマークで高い性能を示し、目に見えないモデルプールの下で堅牢な一般化を示す。
論文 参考訳（メタデータ） (2026-04-18T14:41:27Z) - 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) - Self-Evolving Coordination Protocol in Multi-Agent AI Systems: An Exploratory Systems Feasibility Study [0.0]
自己進化コーディネーションプロトコル(SECP)
SECP: 限定的で、外部から検証された自己修正を可能にする調整プロトコル。
本稿では,自己進化コーディネーションプロトコルの探索システムの実現可能性について述べる。
論文 参考訳（メタデータ） (2026-02-02T14:45:04Z) - Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems [0.8437187555622164]
大規模言語モデル(LLM)エージェントは、協調的なタスク補完の約束が増していることを示している。
既存のマルチエージェントフレームワークは、静的で固定されたロールと限定的なエージェント間通信に依存していることが多い。
本稿では,3つのコア機構による適応性を実現するための協調フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-22T22:42:51Z) - HADA: Human-AI Agent Decision Alignment Architecture [0.0]
HADAはプロトコルとフレームワークのリファレンスアーキテクチャであり、大きな言語モデル(LLM)エージェントとレガシーアルゴリズムの両方を組織的目標と値に一致させる。
技術的および非技術的アクターは、戦略的、戦術的、リアルタイムな地平線を越えて、あらゆる決定をクエリ、ステア、監査、または競合することができる。
論文 参考訳（メタデータ） (2025-06-01T14:04:52Z) - 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) - MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。
既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。
多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
論文 参考訳（メタデータ） (2025-03-03T05:18:50Z)
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。