arxiv.org·2026/10/23
针对LLM多智能体固定协作结构难随任务演化、轨迹奖励难归因结构编辑的问题,RoleFlow由Global Router在校验器拒绝后对角色链做增删替换重排等原子编辑,并按需合成新角色,训练经返回门控入库,推理从种子库出发;SECPO在相同链状态分别重跑编辑与不编辑,用奖励差把信用分配给编辑词元,并按正阈值保留编辑。实验在QA、数学、代码、Web等基准对比手工流水线、工作流搜索、训练执行器和编排器;作者报告平均67.1,超过最强竞品W4S 4.7分,多跳QA及数学、代码、Web领先,并体现跨基准迁移、训练数据效率与跨执行器泛化。局限是新领域需可判通过/拒绝并给出缺陷的校验器,推理贵于免训练流水线,训练每次编辑还需无编辑重跑。
为什么重要 把多智能体协作结构变成可训练对象,SECPO 给出编辑级信用,对智能体编排与 MCP 工具链的自适应优化直接可用适合 做多智能体编排、RL 训练、工作流自适应优化的工程师与研究员
基于大语言模型(LLM)的多智能体系统通常依赖预定义的协作结构,这限制了它们对不断演化的任务需求的适应能力。尽管近期方法能够实现动态编排,但它们应用的轨迹级奖励为每个决策分配一个结果,往往难以识别单个结构变化的贡献。
我们提出 RoleFlow,一个自进化的多角色智能体系统,通过反馈驱动的原子编辑和按需角色合成来优化协作结构。为了让结构适应可学习,我们引入了 Single-Edit Counterfactual Policy Optimization (SECPO),它在相同链状态下将每次编辑与其无编辑对应物进行对比评估,并为编辑特定 token 分配针对性信用。
在涵盖四个领域的七个基准上,RoleFlow 取得了最优平均性能,超越最强竞争者 4.7 分。它在全部三个多跳问答基准上领先 3.2-7.5 F1 分,并在数学推理、网页交互和代码生成方面也表现优越。进一步分析证明了跨基准可迁移性、训练数据效率和跨执行器泛化能力。
Large language model (LLM) based multi-agent systems often rely on predefined collaboration structures, limiting their adaptability to evolving task requirements.
Although recent approaches enable dynamic orchestration, trajectory-level rewards they apply assign one outcome to each decision, ofen struggling to identify the contributions of individual structural changes.
We propose RoleFlow, a self-evolving multi-role agentic system that refines collaboration structures through feedback-driven atomic edits and on-demand role synthesis.
To make structural adaptation learnable, we introduce Single-Edit Counterfactual Policy Optimization (SECPO), which evaluates each edit against its no-edit counterpart at the same chain state and assigns targeted credit to edit-specific tokens.
Across seven benchmarks spanning four domains, RoleFlow achieves the optimal average performance, surpassing the strongest competitor by 4.7 points.
It leads on all three multi-hop QA benchmarks by 3.2-7.5 F1 points and also shows supremacy on mathematical reasoning, web interaction, and code generation.
Further analyses demonstrate cross-benchmark transferability, training-data efficiency, and cross-executor generalization.
Llama-3.1 MBPP
Llama-3.1 Huma
gpt-4o-mini MB
gpt-4o-mini Hu
注释 · 弱执行器收益更大,说明结构适配策略可迁移,不依赖执行器本身出自 §4.5



EVIDENCE / METHODS
表格
七基准平均 67.1,超最强对手 W4S 4.7 点,五个基准登顶
| 基准 | RoleFlow | W4S | GPT-4o-mini |
|---|---|---|---|
| HotpotQA | 55.6 | 52.4 | 45.6 |
| 2Wiki OOD | 43.5 | 35.7 | 24.5 |
| MuSiQue OOD | 42.1 | 28.8 | 23.4 |
| MATH-500 | 81.1 | 80.0 | 76.5 |
| MBPP | 89.0 | 89.7 | 83.7 |
| HumanEval OOD | 95.7 | 93.1 | 88.3 |
| WebShop | 62.6 | 57.1 | 59.0 |
| 平均 | 67.1 | 62.4 | 57.3 |
注释 · RoleFlow 在 MBPP 上以 89.0 略低于 W4S 的 89.7,但整体平均领先;2Wiki/MuSiQue/HumanEval 为 OOD出自 Table 1
原版排版与图表 · 手机无法内嵌时可在浏览器打开。PDF 插件内选文不能传给网页助手。