GoAgent: LLM 기반 다중 에이전트 시스템의 그룹 에이전트 통신 토폴로지 생성 방법

GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems

대규모 언어 모델(LLM) 기반 다중 에이전트 시스템(MAS)은 복잡한 문제를 해결하는 데 뛰어난 능력을 보여주지만, 시스템의 효과는 에이전트 간 상호 작용을 조정하는 기본 통신 토폴로지에 크게 의존합니다. 이러한 시스템에서 성공적인 문제 해결은 종종 하위 작업을 분할하고 해결하기 위한 특정 작업에 맞는 그룹 구조를 필요로 합니다. 그러나 대부분의 기존 방법은 노드 중심적인 방식으로 통신 토폴로지를 생성하며, 그룹 구조를 명시적으로 모델링하는 대신 로컬 연결 결정에서 암묵적으로 나타나게 합니다. 이는 종종 최적 이하의 조정과 불필요한 통신 오버헤드를 초래합니다. 이러한 제한 사항을 해결하기 위해, 본 논문에서는 협업 그룹을 MAS 구성의 기본 단위로 명시적으로 취급하는 통신 토폴로지 생성 방법인 GoAgent (Group-of-Agents)를 제안합니다. 구체적으로, GoAgent는 먼저 LLM을 사용하여 작업과 관련된 후보 그룹을 열거한 다음, 이러한 그룹을 원자 단위로 선택하고 연결하여 최종 통신 그래프를 구성합니다. 이를 통해 그룹 내부의 응집력과 그룹 간의 조정을 동시에 고려합니다. 또한, 확장되는 토폴로지에 내재된 통신 중복 및 노이즈 확산을 완화하기 위해, 작업과 관련된 신호를 유지하면서 불필요한 과거 노이즈를 제거하는 조건부 정보 병목(CIB) 목적 함수를 도입하여 그룹 간 통신을 압축합니다. 6개의 벤치마크에 대한 광범위한 실험 결과, GoAgent는 93.84%의 평균 정확도를 달성하여 최첨단 성능을 보여주었으며, 토큰 소비량을 약 17% 줄였습니다.

Large language model (LLM)-based multi-agent systems (MAS) have demonstrated exceptional capabilities in solving complex tasks, yet their effectiveness depends heavily on the underlying communication topology that coordinates agent interactions. Within these systems, successful problem-solving often necessitates task-specific group structures to divide and conquer subtasks. However, most existing approaches generate communication topologies in a node-centric manner, leaving group structures to emerge implicitly from local connectivity decisions rather than modeling them explicitly, often leading to suboptimal coordination and unnecessary communication overhead. To address this limitation, we propose GoAgent (Group-of-Agents), a communication topology generation method that explicitly treats collaborative groups as the atomic units of MAS construction. Specifically, GoAgent first enumerates task-relevant candidate groups through an LLM and then autoregressively selects and connects these groups as atomic units to construct the final communication graph, jointly capturing intra-group cohesion and inter-group coordination. To mitigate communication redundancy and noise propagation inherent in expanding topologies, we further introduce a conditional information bottleneck (CIB) objective that compresses inter-group communication, preserving task-relevant signals while filtering out redundant historical noise. Extensive experiments on six benchmarks demonstrate the state-of-the-art performance of GoAgent with 93.84% average accuracy while reducing token consumption by about 17%.