TCP-MCP: 환경 기반 프롬프트 및 통신 토폴로지의 공동 진화 - 다중 에이전트 시스템을 위한 방법

TCP-MCP: Landscape-Guided Co-Evolution of Prompts and Communication Topologies for Multi-Agent Systems

효과적인 다중 에이전트 시스템은 개별적으로 프롬프트나 통신 그래프를 선택하는 방식으로 설계할 수 없습니다. 에이전트의 행동은 에이전트가 받는 정보에 따라 달라지며, 통신 연결의 유용성은 받는 에이전트가 해당 정보를 어떻게 해석하고 사용하는지에 따라 결정됩니다. 본 논문에서는 다중 에이전트 협업 문제 해결을 위한 토폴로지 결합 프롬프팅 (TCP-MCP)이라는 공동 진화 프레임워크를 제안합니다. TCP-MCP는 에이전트 프롬프트와 통신 토폴로지를 통합된 유전체로 검색하며, 초기 탐색 행동을 조정하기 위해 초기 단계에서 환경 조사를 수행하고, 세 가지 목표 (작업 성능, 토큰 비용 및 구조적 복잡성)에 대한 파레토 최적화 진단을 사용하여 탐색을 적응시킵니다. 모든 방법에서 동일한 DeepSeek-V3.2 기반 모델을 사용했으며, TCP-MCP는 MMLU-Pro, MMLU 및 GSM8K 데이터셋에서 각각 82.66%, 89.96% 및 96.61%의 정확도를 달성했습니다. 세 가지 벤치마크에서 TCP-MCP는 자동 그래프 생성 기준 모델보다 일관되게 우수한 성능을 보였으며, 보고된 운영 조건에서 해당 시스템보다 최대 5.69배 적은 토큰을 사용하여 경쟁력 있는 정확도를 달성했습니다. 이러한 결과는 프롬프트와 통신 구조를 공동으로 진화시키는 것이 제어된 환경에서의 비용 효율적이고 작업에 적응 가능한 다중 에이전트 시스템 설계의 실용적인 방법을 제공한다는 것을 보여줍니다.

Effective multi-agent systems cannot be designed by selecting prompts or communication graphs in isolation. Agent behavior depends on the information an agent receives, while the usefulness of a communication edge depends on how the receiving agent interprets and uses that information. We propose \textbf{TCP-MCP} (Topology-Coupled Prompting for Multi-Agent Collaborative Problem-Solving), a co-evolution framework that searches agent prompts and communication topologies as a unified genome. TCP-MCP uses an initialization-time landscape probe to calibrate early search behavior, and then relies on Pareto-front diagnostics to adapt exploration under three objectives: task performance, token cost, and structural complexity. Using the same DeepSeek-V3.2 backbone across all methods, TCP-MCP achieves 82.66\%, 89.96\%, and 96.61\% accuracy on MMLU-Pro, MMLU, and GSM8K, respectively. Across the three benchmarks, it consistently outperforms automated graph-generation baselines and achieves competitive accuracy relative to debate-style systems, while using up to 5.69$\times$ fewer tokens than those systems at the reported operating points. These results show that jointly evolving prompts and communication structure provides a practical route to cost-aware and task-adaptive multi-agent system design in controlled evaluations.