論文の概要: Inference-Time Graph Engineering for Multi-Agent LLM Workflows

• arxiv url: http://arxiv.org/abs/2609.05774v1
• Date: Fri, 04 Sep 2026 23:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.133654
• Title: Inference-Time Graph Engineering for Multi-Agent LLM Workflows
• Title（参考訳）: マルチエージェントLLMワークフローのための推論時間グラフ工学
• Abstract要約: ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
• 参考スコア（独自算出の注目度）: 51.56038180639833
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent multi-agent LLM systems increasingly rely on graph-structured communication to coordinate specialized agents. We revisit multi-agent orchestration from a graph-engineering perspective: rather than optimizing a static topology, we synthesize a task-conditioned temporal workflow graph that jointly specifies agent connectivity and edge-level communication semantics. We introduce ReActNet, a training-free framework that compiles a query and a set of role-specialized agents into a sequence of directed communication graphs. Each graph snapshot corresponds to one reasoning stage, and each edge carries a natural-language instruction specifying the message that a source agent should provide to a target agent. The compiled temporal graph is then executed through structured message passing: agents update their reasoning states by integrating their previous states with messages from controller-assigned neighbors, and a final aggregator synthesizes the resulting states into the answer. This design separates graph compilation from graph execution, making multi-agent coordination explicit, inspectable, and task-conditioned without requiring reinforcement learning or gradient-based topology optimization. Across knowledge reasoning, mathematical problem solving, code generation, and GAIA-style assistant tasks, ReActNet consistently improves over fixed-topology and learned-topology baselines while maintaining competitive inference cost. These results suggest that effective multi-agent orchestration depends not only on which agents communicate, but also on engineering executable workflow graphs that encode when, why, and how information should flow during reasoning.
• Abstract（参考訳）: 近年のマルチエージェントLLMシステムは、特殊エージェントの調整にグラフ構造通信にますます依存している。 静的トポロジを最適化するのではなく、エージェント接続性とエッジレベルの通信セマンティクスを協調的に指定したタスク条件付き時間ワークフローグラフを合成する。 ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 各グラフスナップショットは1つの推論段階に対応し、各エッジには、ソースエージェントがターゲットエージェントに提供すべきメッセージを指定する自然言語命令が格納される。 エージェントは、以前の状態をコントローラに割り当てられた隣人からのメッセージと統合することで、推論状態を更新し、最終的なアグリゲータは結果の状態を答えに合成する。 この設計ではグラフコンパイルとグラフ実行を分離し、強化学習や勾配に基づくトポロジー最適化を必要とせず、マルチエージェントのコーディネーションを明示的、検査可能、タスク条件付きにする。 知識推論、数学的問題解決、コード生成、GAIAスタイルのアシスタントタスクを含むReActNetは、競争的推論コストを維持しながら、固定トポロジーと学習トポロジーのベースラインを一貫して改善する。 これらの結果は、効果的なマルチエージェントオーケストレーションは、どのエージェントがどのエージェントと通信するかだけでなく、推論中にいつ、なぜ、どのように情報を流れるべきかをエンコードするエンジニアリング実行ワークフローグラフにも依存していることを示唆している。

関連論文リスト

• Multi-Agent Agentic Graph Learning via Structural Signatures [15.798786167030853]
  エージェントグラフ学習(AGL)は近年,グラフ推論タスクにおいて有望な結果を達成している。 既存のメソッドでは、単一のエージェントを使用するか、複数のロールベースのエージェントを編成して、グラフ全体を推論し、学習する。 本稿では,マルチエージェントエージェントグラフ学習(MAAGL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-09T00:43:45Z)
• EDGE: Engine for Deterministic Graph Evaluation through Conversation Simulation from Graph Structured DSL Configuration [0.518884791678612]
  本稿では,ドメイン固有言語を利用したプランナであるAgentGraphを基盤とした形式的評価手法を提案する。 我々は,対話経路を包括的に列挙するグラフアルゴリズムを活用し,エージェントの完全な行動空間をキャプチャする包括的評価セットを形成する。 信頼性を定量化するために、反応と軌道決定性、構造的付着、意味的整合性を測定する新しい指標を定義する。
  論文  参考訳（メタデータ） (2026-08-30T18:56:53Z)
• Focus Is All You Need: Adaptive Goal-aware Attention Orchestration for Multi-Agent Graph Systems [28.41165257733149]
  大規模言語モデル(LLM)は、推論、計画、計算、ツール使用のための自律的なエージェントを可能にする。 近年のシステムは、これらのエージェントを特別な相互接続ノードのグラフとして整理するようになっている。 既存のアプローチはしばしばグラフコンポーネントを均一に実行し、無関係または低インパクトなタスクでリソースを浪費する。 textbfAttention Orchestrationは、トークン表現からワークフローレベルのエージェント調整まで、Transformerスタイルの注意を拡大するパラダイムである。
  論文  参考訳（メタデータ） (2026-07-26T14:23:33Z)
• 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)
• 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)
• GraphAgent: Agentic Graph Language Assistant [23.28223204340633]
  明示的なグラフ依存と暗黙的なグラフ強化セマンティック相互依存性に対処する自動エージェントパイプラインであるGraphAgentを提案する。 GraphAgentには3つの重要なコンポーネントがある: (i) 複雑なセマンティックな依存関係を反映した知識グラフを構築するグラフ生成エージェント; (ii) 多様なユーザクエリを解釈し、エージェントによる自己計画を通じて対応するタスクを定式化するタスク計画エージェント; (iii) ユーザクエリに対応するツールマッチングと呼び出しを自動化しながら、計画されたタスクを効率的に実行するタスク実行エージェント。
  論文  参考訳（メタデータ） (2024-12-22T14:13:32Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• Language Agents as Optimizable Graphs [31.220547147952278]
  本稿では,Large Language Models (LLM) ベースのエージェントを計算グラフとして記述する。 我々のフレームワークは、様々なLSMエージェントを効率的に開発し、統合し、自動的に改善するために使用することができる。
  論文  参考訳（メタデータ） (2024-02-26T18:48:27Z)
• Multi-agent Communication with Graph Information Bottleneck under Limited Bandwidth (a position paper) [92.11330289225981]
  多くの実世界のシナリオでは、通信は高価であり、マルチエージェントシステムの帯域幅には一定の制約がある。 通信資源を占有する冗長なメッセージは、情報的メッセージの送信をブロックし、パフォーマンスを損なう。 本稿では,通信グラフ内の構造情報とノード情報を効果的に圧縮し,帯域幅に制約のある設定に対処する,新しいマルチエージェント通信モジュールCommGIBを提案する。
  論文  参考訳（メタデータ） (2021-12-20T07:53:44Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)

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。