論文の概要: EvoTeam: Multi-Agent Collaboration via Evolving Teams

• arxiv url: http://arxiv.org/abs/2610.39813v2
• Date: Fri, 30 Oct 2026 08:44:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.433209
• Title: EvoTeam: Multi-Agent Collaboration via Evolving Teams
• Title（参考訳）: EvoTeam: 発展するチームによるマルチエージェントコラボレーション
• Abstract要約: LLMベースのマルチエージェントシステムは、複雑なタスクを解決するための特別なエージェント間のコラボレーションに依存している。 最近の研究は、チーム組織を調整するための総合的な実行経験を使用して、コラボレーションのレベルまで進化した。 チーム構成やインタラクションルール,個々のエージェントスキルを共同で進化させる,コラボレーション中心の進化フレームワークであるEvoTeamを提案する。
• 参考スコア（独自算出の注目度）: 25.249201631083192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based multi-agent systems (MAS) rely on collaboration among specialized agents to solve complex tasks. Existing methods improve MAS by refining the prompts, skills, and execution strategies of individual agents based on task feedback. However, improving individual agents does not necessarily lead to better team collaboration. Recent studies have therefore extended evolution to the collaboration level, using collective execution experience to adjust team organization, and inter-agent interactions. Nevertheless, evolving collaboration across heterogeneous tasks remains challenging, as existing approaches often constrain team reorganization within a shared structure and reuse interaction rules across incompatible team contexts. In this paper, we propose EvoTeam, a collaboration-centric evolution framework that jointly evolves team organization, interaction rules, and individual agent skills through execution experience. It maintains a library of reusable teams, selecting or creating agent teams and guiding collaboration through team-specific interaction rules. Collaboration experience accumulates within compatible team contexts, while individual skills remain reusable across teams. Experiments across four benchmarks demonstrate its effectiveness. Our code is available at https://github.com/DEEP-JLU/EvoTeam.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は、複雑なタスクを解決するための特殊なエージェント間のコラボレーションに依存している。 既存の方法は、タスクフィードバックに基づいて、個々のエージェントのプロンプト、スキル、実行戦略を洗練することにより、MASを改善する。 しかし、個々のエージェントを改善することは、必ずしもチームコラボレーションの改善につながるとは限らない。 そのため、最近の研究は、チーム組織やエージェント間の相互作用を調整するために集団実行エクスペリエンスを使用して、コラボレーションのレベルまで進化を拡大している。 既存のアプローチでは、共有構造内でチームの再編成を制限し、非互換なチームコンテキスト間でのインタラクションルールの再利用がしばしば行われます。 本稿では,チーム組織,インタラクションルール,個人エージェントスキルを共同開発するコラボレーション中心の進化フレームワークであるEvoTeamを提案する。 再利用可能なチームのライブラリを維持し、エージェントチームを選択したり、作成したり、チーム固有のインタラクションルールを通じてコラボレーションを導く。 コラボレーションの経験は互換性のあるチームコンテキストに蓄積されますが、個々のスキルはチーム間で再利用できます。 4つのベンチマークの実験は、その効果を実証している。 私たちのコードはhttps://github.com/DEEP-JLU/EvoTeam.comで利用可能です。

関連論文リスト

• Searching for Synergy in Shared Workspace Human-AI Collaboration [1.4923836729114697]
  シミュレーションされた共有ワークスペースの人間-AIチームは、コラボレーション構造がチームの振る舞いをどのように形作るかを研究するテストベッドとして使用しています。 コーディネート構造が欠如している場合、追加のコラボレータを追加することで性能が低下することを発見した。 次に、共有グループメモリとシミュレーションされたHuman-in-the-loop(HITL)ゲートを組み合わせた協調足場の評価を行う。
  論文  参考訳（メタデータ） (2026-06-16T19:08:43Z)
• Evolve as a Team: Collaborative Self-Evolution for LLM-based Multi-Agent Systems [15.16932911340632]
  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。
  論文  参考訳（メタデータ） (2026-05-28T11:40:16Z)
• 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)
• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• Learning "Partner-Aware" Collaborators in Multi-Party Collaboration [12.287537011305497]
  大規模言語モデル(LLM)は,人間との共同作業を行うエージェント設定にデプロイされることが増えている。 本稿では、協調行動に関する新たな理論的洞察を提供するために、AIアライメントと安全な割り込み可能性文献に基づく。 CG-最適協調者を訓練するための新しいパートナー認識学習アルゴリズムであるInterruptible Collaborative Roleplayer (ICR)を提案する。
  論文  参考訳（メタデータ） (2025-10-26T00:05:48Z)
• Generalizable Agent Modeling for Agent Collaboration-Competition Adaptation with Multi-Retrieval and Dynamic Generation [19.74776726500979]
  ひとつのエージェントを新しいマルチエージェントシステムに適用することは、課題をもたらし、さまざまなタスク、環境、未知のチームメイトや相手とのインタラクションを調整する必要がある。 本稿では,多種多様なシナリオにまたがってエージェントを一般化するためのエージェント評価を行う,より包括的なエージェント協調適応手法を提案する。 ACCAでは、エージェントはタスクや環境の変化を調整し、目に見えないチームメイトと協力し、未知の相手と競う。
  論文  参考訳（メタデータ） (2025-06-20T03:28:18Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Detecting and Optimising Team Interactions in Software Development [58.720142291102135]
  本稿では,ソフトウェア開発チームの機能的相互作用構造を検出するためのデータ駆動型手法を提案する。 このアプローチでは、チームメンバのアクティビティレベルの違いを考慮し、ブロック制約設定モデルを使用します。 我々のアプローチは、チームが合成されたベンチマークシナリオと機能的な相互作用構造を比較するのにどのように役立つかを示します。
  論文  参考訳（メタデータ） (2023-02-28T14:53:29Z)
• On the Critical Role of Conventions in Adaptive Human-AI Collaboration [73.21967490610142]
  規則依存表現と規則依存表現を区別する学習フレームワークを提案する。 複雑性が異なる3つの共同作業に対するアプローチを実験的に検証します。
  論文  参考訳（メタデータ） (2021-04-07T02:46:19Z)
• On Emergent Communication in Competitive Multi-Agent Teams [116.95067289206919]
  外部のエージェントチームによるパフォーマンスの競争が社会的影響として作用するかどうかを検討する。 以上の結果から,外部競争の影響により精度と一般化が向上し,コミュニケーション言語が急速に出現することが示唆された。
  論文  参考訳（メタデータ） (2020-03-04T01:14:27Z)

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。