港中文:公司制度引入多智能体架构
随着大语言模型(LLM)应用场景的拓展,基于多智能体的协作系统在处理复杂任务时展现出潜力,但如何设计有效的组织结构以优化协作效率与性能成为关键问题。香港中文大学研究团队提出的 OrgAgent 框架,通过引入公司式的层级管理架构,系统性证实了在多数场景下,层级结构优于扁平化结构,能显著提升任务准确率并大幅降低 Token 消耗。
01三层公司式层级架构
OrgAgent 模拟现代公司治理体系,将多智能体协作分解为三个核心层级,通过明确的职责划分实现高效运转。
OrgAgent 组织层级定义
治理层
负责整体规划与资源分配
- 设定战略方向与协调
- 规划任务路径并决定资源需求
- 核心角色:CEO
执行层
负责具体任务求解与审查
- 根据任务调用技能池中的专家
- 执行起草、审查等具体操作
- 核心角色:CTO、起草者、审查者
合规层
负责最终答案控制
- 对执行层输出进行最终把关
- 控制答案质量与合规性
02核心执行机制与策略
- 专业化技能池
系统维护包含技术、定量、推理等六类技能的工人池,执行层可根据任务类型动态选择具备相应技能的专家参与协作。 - 多样化执行模式
支持 DIRECT(直接生成)、LIGHT MASS(轻量协作)及 FULL MASS(全量协作)三种模式,以适应不同复杂度的任务需求。 - 资源调控策略
结合 STRICT(严格)、BALANCE(平衡)、NOCAP(无上限)及 AUTO(自动)四种策略,灵活调控 Token 使用量与交互深度。
03实验结果与性能表现
在多个推理基准测试中,OrgAgent 对比了单层扁平化结构与三层层级结构的表现差异。实验数据表明,层级结构在复杂任务上优势显著。
| 评估维度 | 层级结构表现 | 对比扁平结构优势 |
|---|---|---|
| 复杂推理准确率 | 显著提升(MuSiQue, SQuAD 2.0) | 部分模型性能提升超过 100% |
| 简单选择题 | 提升不明显 | 优势微弱 |
| Token 消耗 | 平均大幅降低 | 节省 46% 至 79% 的成本 |
| 抗幻觉能力 | Abstention 率更高 | 更敢于拒绝无解问题,减少幻觉 |
层级结构与扁平结构性能对比
分析显示,严格的执行策略(STRICT)通常最具 Token 效率,而灵活策略(NOCAP)虽成本较高但能提升特定任务的准确率。层级结构促使智能体形成了更稳定的技能分工与信息流控制,实现了高性能与低成本的兼得。
当前文章无评论,是时候发表评论了