Contrastive Attribution Topology Search 提出用归因信用优化多智能体团队结构

该论文提出 Contrastive Attribution Topology Search (CATS) 方法，用于在多智能体系统（MAS）中搜索由专用智能体组成的紧凑团队。该方法利用 LLM 归因器比较不同候选拓扑的执行轨迹，为单个智能体分配信用，并据此更新超图边、逐步剪枝弱边和弱智能体，最终生成可部署的小规模团队。

实验数据显示，在 BigCodeBench 上，使用小型开源权重模型和匹配候选评估的 CATS 相比仅基于分数的启发式搜索，平均准确率提升了 5.3 个百分点，同时部署 Token 减少了 54%。在 MBPP 基准上，CATS 以少于其他搜索方法的 Token 数量达到了最强基线的水平。此外，在 HotpotQA 的提示词投毒压力测试中，CATS 在所有三次运行中都排除了所有经过对抗性提示的智能体，而随机搜索在同等准确率下仍保留了部分有害智能体。

事实层面，CATS 通过归因机制实现了团队优化与潜在有害智能体的剪枝。推断层面，这种基于执行轨迹的信用分配机制可能成为解决多智能体协作中责任归属模糊和效率低下问题的通用范式。猜测层面，该方法若结合更复杂的动态环境，其剪枝策略是否能实时适应新的攻击模式仍需验证。