구조 기반 오케스트레이션을 통한 다중 에이전트 조정 적응

Multi-Agent Coordination Adaptation via Structure-Guided Orchestration

대규모 언어 모델(LLM) 기반 다중 에이전트 시스템이 점점 더 복잡한 작업을 처리함에 따라, 구조적 안정성과 동적인 적응성 간의 균형을 맞추는 것이 더욱 어려워지고 있습니다. 기존 시스템은 일반적으로 구조 중심 방식 또는 오케스트레이션 중심 방식을 채택하는데, 구조 중심 방식은 사전에 결정된 구조에 의존하여 세밀한 제어를 제한하는 반면, 오케스트레이션 중심 방식은 동적으로 결정을 조정하지만 조정 구조를 명시적으로 정의하지 않아 불안정성을 초래합니다. 이러한 문제를 해결하기 위해, 본 연구에서는 다중 에이전트 조정을 확률적 관점에서 재검토하고, 이를 구조와 오케스트레이션의 결합 분포에 대한 사후 추론으로 간주합니다. 우리는 MACA라는 자동화된 조정 프레임워크를 제안하는데, 이는 작업 및 예산 조건에 따라 에이전트 참여 및 상호 작용에 대한 구조적 사전 지식을 학습합니다. 이 사전 지식은 정책 기반 오케스트레이션을 안내하여 사후 추론을 근사화하며, 이를 통해 효율적인 솔루션과 세밀한 제어가 가능합니다. 벤치마크 테스트 결과, MACA는 평균적으로 8.42% 더 우수한 성능을 보였으며, 토큰 사용량은 43.19% 감소했습니다. 추가 분석 결과, 구조와 오케스트레이션을 함께 적응시키는 것은 불필요한 상호 작용을 억제하여 조정을 작업에 효과적인 실행으로 수렴시키는 것을 보여줍니다.

As large language model (LLM)-based multi-agent systems scale to handle increasingly complex tasks, balancing structural stability and dynamic adaptability becomes increasingly challenging. Existing systems typically adopt either structure-centric methods, committing to structures determined upfront that limit fine-grained control, or orchestration-centric methods, adapting decisions dynamically while leaving coordination structure implicit and unstable. To address this challenge, we revisit multi-agent coordination from a probabilistic perspective, casting it as posterior inference over the joint distribution of structure and orchestration. We introduce MACA, an automated coordination framework that learns a task- and budget-conditioned structural prior over agent participation and interactions. This prior guides a policy-based orchestration as an approximation to posterior inference, enabling efficient solutions with fine-grained control. Across benchmarks, MACA outperforms adaptive multi-agent baselines by an average of 8.42% while using 43.19% fewer tokens. Further investigation reveals that joint adaptation of structure and orchestration suppresses redundant interactions, converging coordination toward task-effective execution.