ST-EVO: 다중 에이전트 통신 토폴로지의 생성적 시공간 진화를 향하여

ST-EVO: Towards Generative Spatio-Temporal Evolution of Multi-Agent Communication Topologies

LLM(Large Language Model) 기반 다중 에이전트 시스템(MAS)은 협업 지능을 구현하는 효과적인 방법으로 부상했으며, 광범위한 연구 관심을 받고 있습니다. 이 중, '자가 진화' MAS는 미리 정의된 정적인 구조 템플릿에 의존하는 대신, 작업에 적응하는 워크플로우 또는 통신 토폴로지를 구축하는 더욱 유연하고 강력한 기술적 접근 방식입니다. 현재의 자가 진화 MAS는 주로 공간 진화 또는 시간 진화 패러다임에 초점을 맞추고 있으며, 이는 진화의 단일 차원만을 고려하며 LLM의 협업 능력을 충분히 활용하지 못합니다. 본 연구에서는 새로운 시공간 관점에서 ST-EVO를 제안합니다. ST-EVO는 간결하면서도 강력한 플로우 매칭 기반 스케줄러를 통해 대화 단위의 통신 스케줄링을 지원합니다. ST-EVO는 정밀한 시공간 스케줄링을 위해 MAS의 불확실성을 인지하고, 축적된 경험으로부터 학습할 수 있는 자체 피드백 기능을 갖추고 있습니다. 9개의 벤치마크에 대한 광범위한 실험 결과, ST-EVO는 최첨단 성능을 달성했으며, 약 5%~25%의 정확도 향상을 보였습니다.

LLM-powered Multi-Agent Systems (MAS) have emerged as an effective approach towards collaborative intelligence, and have attracted wide research interests. Among them, ``self-evolving'' MAS, treated as a more flexible and powerful technical route, can construct task-adaptive workflows or communication topologies, instead of relying on a predefined static structue template. Current self-evolving MAS mainly focus on Spatial Evolving or Temporal Evolving paradigm, which only considers the single dimension of evolution and does not fully incentivize LLMs' collaborative capability. In this work, we start from a novel Spatio-Temporal perspective by proposing ST-EVO, which supports dialogue-wise communication scheduling with a compact yet powerful flow-matching based Scheduler. To make precise Spatio-Temporal scheduling, ST-EVO can also perceive the uncertainty of MAS, and possesses self-feedback ability to learn from accumulated experience. Extensive experiments on nine benchmarks demonstrate the state-of-the-art performance of ST-EVO, achieving about 5%--25% accuracy improvement.