Unified-MAS: 도메인 특화 노드를 보편적으로 생성하여 자동 다중 에이전트 시스템을 강화하는 방법

Unified-MAS: Universally Generating Domain-Specific Nodes for Empowering Automatic Multi-Agent Systems

자동 다중 에이전트 시스템(MAS) 생성은 복잡한 추론 문제를 해결하는 유망한 패러다임으로 부상했습니다. 그러나 기존 프레임워크는 특히 지식 집약적인 도메인(예: 의료 및 법률)에 적용될 때 근본적인 한계에 직면합니다. 이러한 프레임워크는 전문 지식이 부족한 Chain-of-Thought과 같은 정적 일반 노드 라이브러리를 사용하거나, 노드를 실시간으로 생성하려고 시도합니다. 후자의 경우, 조정자는 자체적인 지식 한계에 묶일 뿐만 아니라, 도메인 특화 로직을 동시에 생성하고 고수준 토폴로지를 최적화해야 하므로, 전체 시스템 효율성을 저하시키는 심각한 아키텍처 결합이 발생합니다. 이러한 격차를 해소하기 위해, 우리는 오프라인 노드 생성을 통해 세분화된 노드 구현과 토폴로지 조정을 분리하는 Unified-MAS를 제안합니다. Unified-MAS는 두 단계로 작동합니다: (1) 검색 기반 노드 생성은 외부의 개방형 지식을 활용하여 전문화된 노드 청사진을 합성하여, LLM의 내부 지식 한계를 극복합니다. (2) 보상 기반 노드 최적화는 퍼플렉시티 기반 보상을 활용하여 병목 현상이 발생하는 노드의 내부 로직을 반복적으로 향상시킵니다. 네 가지 전문 분야에서의 광범위한 실험 결과, Unified-MAS를 네 가지 자동-MAS 기본 모델에 통합하면 더 나은 성능-비용 균형을 달성할 수 있으며, 최대 14.2%의 성능 향상을 얻으면서 비용을 크게 절감할 수 있습니다. 추가 분석 결과, Unified-MAS는 다양한 설계 LLM에 대한 견고성을 가지며, 수학적 추론과 같은 기존 작업에 효과적임을 확인했습니다.

Automatic Multi-Agent Systems (MAS) generation has emerged as a promising paradigm for solving complex reasoning tasks. However, existing frameworks are fundamentally bottlenecked when applied to knowledge-intensive domains (e.g., healthcare and law). They either rely on a static library of general nodes like Chain-of-Thought, which lack specialized expertise, or attempt to generate nodes on the fly. In the latter case, the orchestrator is not only bound by its internal knowledge limits but must also simultaneously generate domain-specific logic and optimize high-level topology, leading to a severe architectural coupling that degrades overall system efficacy. To bridge this gap, we propose Unified-MAS that decouples granular node implementation from topological orchestration via offline node synthesis. Unified-MAS operates in two stages: (1) Search-Based Node Generation retrieves external open-world knowledge to synthesize specialized node blueprints, overcoming the internal knowledge limits of LLMs; and (2) Reward-Based Node Optimization utilizes a perplexity-guided reward to iteratively enhance the internal logic of bottleneck nodes. Extensive experiments across four specialized domains demonstrate that integrating Unified-MAS into four Automatic-MAS baselines yields a better performance-cost trade-off, achieving up to a 14.2% gain while significantly reducing costs. Further analysis reveals its robustness across different designer LLMs and its effectiveness on conventional tasks such as mathematical reasoning.