基于大语言模型的多智能体系统在分布式部署时，常因智能体故障或通信错误而功能中断。ResMAS框架为此提供了一个创新的解决方案，它通过优化系统拓扑结构和智能体提示，有效提升了系统在面对非恶意扰动时的稳定性和功能维持能力。这一研究成果为构建更可靠的复杂AI系统提供了新思路。
智能速览
ResMAS框架通过优化拓扑和提示，提升多智能体系统韧性。
研究首次系统关注非恶意扰动下的系统稳定性，更贴近实际应用。
拓扑优化利用强化学习自动生成高韧性的系统连接结构。
提示优化使智能体能甄别邻居信息，有效抵御误导性数据。
该框架兼顾多目标，无需重训即可适配新任务与不同LLM模型。
精华内容
ResMAS框架的精妙之处在于其两阶段设计，它不仅优化了系统的“骨架”（通信拓扑），还强化了每个智能体的“大脑”（提示词），共同构筑了系统的韧性防线。
韧性新视角
传统研究多聚焦于恶意攻击，而ResMAS将目光投向了更普遍的非恶意扰动，如单个智能体的随机故障或通信中断。这种视角更贴合实际部署场景，因为在真实世界中，硬件故障或网络波动远比精心策划的攻击更为常见。通过识别出通信拓扑和提示设计是影响韧性的两大关键因素，ResMAS为构建稳健的MAS系统奠定了理论基础。
优化系统骨架
拓扑优化阶段的目标是构建一个即使部分节点失效也能维持整体功能的通信网络。ResMAS首先训练一个基于图神经网络（GNN）的奖励模型，该模型能快速评估不同拓扑结构的韧性得分。随后，利用强化学习算法（GRPO）微调大语言模型，使其能够根据具体任务和约束条件（如智能体数量、边数上限），自动生成高韧性的拓扑结构。这一过程实现了针对特定场景的定制化优化。
强化智能体心智
在拓扑优化的基础上，ResMAS进一步优化每个智能体的提示词。它会分析智能体的连接关系以及历史交互数据，包括正面的成功合作案例和负面的失败示例。基于这些信息，系统会为每个智能体生成一个“拓扑感知”的提示，指导它如何从邻居中筛选出有效信息，并忽略或抵制潜在的误导性内容。这让每个智能体都具备了更强的环境适应和自主判断能力。
兼顾性能与泛化
ResMAS的一大优势在于其多目标优化能力。它不仅可以将韧性作为主要优化目标，还能灵活切换，实现韧性系统准确率之间的帕累托最优，即在保证一定韧性的前提下最大化任务准确率。此外，该框架表现出强大的泛化性，无需重新训练，即可直接应用于代码生成等新任务，并能无缝适配GPT-3.5-turbo等不同的LLM骨干模型，极大扩展了其应用范围。
ResMAS框架为多智能体系统的稳定运行提供了系统性的解决方案，其结合拓扑与提示优化的思路，展现了巨大的应用潜力。未来，随着AI系统在自动驾驶、物联网等关键领域的深入应用，类似ResMAS这样的韧性优化技术将变得至关重要。我们离构建一个真正高可靠、自适应的智能社会还有多远？
