MANTA: 자기 진화형 다중 에이전트 시스템을 위한 다중 에이전트 네트워크 토폴로지 적응

MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems

대규모 언어 모델 기반 다중 에이전트 시스템은 작업 분해, 에이전트 전문화, 정보 교환 및 중간 검증을 통해 복잡한 문제 해결 능력을 향상시킵니다. 그러나 기존 시스템에서는 일반적으로 통신 토폴로지를 고정된 설계 선택 또는 오프라인 최적화 대상으로 취급합니다. 본 논문에서는 추론 시간에 통신 구조가 스스로 진화할 수 있도록 하는 다중 에이전트 네트워크 토폴로지 적응 프레임워크인 MANTA를 소개합니다. MANTA는 실행 전에 사전 경험을 기반으로 작업에 특화된 초기 토폴로지를 설정하고, 배포 중에 협업 과정을 모니터링하며 현재 구조가 부족하다고 판단되면 제한적인 구조 업데이트를 적용합니다. 이러한 업데이트는 작업 인터페이스와 에이전트 예산을 유지하면서 에이전트 역할, 통신 링크, 실행 순서, 정보 가시성 및 검증 경로를 수정할 수 있습니다. 우리는 MANTA를 정보 검색, 도구 사용, 계획, 워크플로우 실행 및 수학적 추론을 포함한 다섯 가지 벤치마크에서 대표적인 단일 에이전트 및 다중 에이전트 기준 모델과 비교 평가했습니다. MANTA는 평균 점수 74.0으로 가장 높은 성능을 보였으며, 가장 강력한 기준 모델보다 5.8%p 더 우수하고 PlanCraft에서는 최고의 결과를 얻었습니다. 이러한 결과는 추론 시간의 자기 개선이 협업 자체의 아키텍처로 확장될 수 있음을 보여줍니다.

Large language model-based multi-agent systems improve complex problem solving through task decomposition, agent specialization, information exchange, and intermediate validation. However, existing systems typically treat communication topology as a fixed design choice or an offline optimization target. We introduce MANTA, a framework for Multi-Agent Network Topology Adaptation that enables communication structures to self-evolve at inference time. Before execution, MANTA initializes a task-conditioned topology from prior structural experience. During deployment, it monitors collaboration traces and applies bounded structural updates when the current organization becomes insufficient. These updates can modify agent roles, communication links, execution order, information visibility, and validation pathways while preserving the task interface and agent budget. We evaluate MANTA against representative single-agent and multi-agent baselines on five benchmarks spanning information seeking, tool use, planning, workflow execution, and mathematical reasoning. MANTA achieves the highest average score of 74.0, outperforming the strongest baseline by 5.8 percentage points and obtaining the best result on PlanCraft. These results show that inference-time self-improvement can extend to the architecture of collaboration itself.