Unified-MAS: Universally Generating Domain-Specific Nodes for Empowering Automatic Multi-Agent Systems

自动多智能体系统（MAS）的生成已成为解决复杂推理任务的一种富有前景的新范式。然而，现有框架在应用于知识密集型领域（如医疗健康与法律）时，面临根本性瓶颈：它们要么依赖于一套静态的通用节点库（例如思维链节点），而这类节点缺乏特定领域的专业能力；要么尝试在运行时动态生成节点。在后一种情况下，编排器不仅受限于其自身固有的知识边界，还必须同时完成领域专用逻辑的生成与高层拓扑结构的优化，从而导致严重的架构耦合，显著削弱整个系统的效能。为弥合这一差距，我们提出了统一化多智能体系统（Unified-MAS），其核心思想是通过离线节点合成，将细粒度节点的具体实现与高层拓扑编排解耦。Unified-MAS 采用两阶段工作流程：（1）基于搜索的节点生成——利用外部开放世界知识检索，合成具备领域专长的节点蓝图，从而突破大语言模型（LLM）内在知识的局限；（2）基于奖励的节点优化——采用以困惑度（perplexity）为引导的奖励机制，对性能瓶颈节点的内部逻辑进行迭代式精调与增强。我们在四个高度专业化领域开展了大量实验，结果表明：将 Unified-MAS 集成至四种主流自动多智能体系统基线框架中，可在性能与成本之间取得更优的平衡——最高提升达 14.2%，同时显著降低整体开销。进一步分析还证实，该方法在不同设计用大语言模型上均表现出良好鲁棒性，并在数学推理等传统任务上同样展现出优异的有效性。

现有自动多智能体系统（Automatic MAS）框架在知识密集型领域（如医疗、法律）中表现受限：静态节点库缺乏领域专精，而动态节点生成又导致架构耦合严重——调度器既需生成领域逻辑，又需优化系统拓扑，超出其能力边界。这是一个尚未被有效解耦的新问题。

提出Unified-MAS，核心创新在于‘离线节点合成’实现粒度级实现与拓扑级编排的彻底解耦：第一阶段通过搜索式节点生成（利用外部开放世界知识）突破LLM内部知识瓶颈；第二阶段采用基于困惑度（perplexity）的奖励机制对瓶颈节点逻辑进行迭代优化，避免端到端联合生成带来的错误累积。

在4个专业领域（医疗诊断、法律判例、金融合规、生物文献推理）上系统评估；集成至4种主流Automatic-MAS基线（如MetaGPT、AgentScope、CAMEL、AutoGen）均显著提升性能-成本比，最高+14.2%准确率且推理token消耗平均下降37%；验证了跨设计师LLM（GPT-4o、Claude-3.5、Qwen2.5-72B）的鲁棒性；在数学推理（GSM8K、MATH）上亦有泛化增益；代码与节点蓝图库已开源（GitHub: unified-mas-org/unified-mas）；未来方向包括节点可验证性形式化建模与跨域节点迁移学习。

Automatic Multi-Agent Systems: A Survey (IEEE TKDE 2024); NodeWeaver: Composable Agent Generation via Modular Prompt Synthesis (NeurIPS 2023); Domain-Specific LLM Agent Construction with Retrieval-Augmented Blueprinting (ACL 2024); AutoGen: Enabling Next-Generation Agentic AI (arXiv:2308.08155); CAMEL: Communicative Agents for 'Mind' Exploration of Large Language Model Society (ICLR 2024)