SwarmAgentic：利用蜂群智能全自动生成代理系统

23/07/2025

三个要点
✔️ 提出了一个框架，用于从头开始自动生成代理，并同时优化其功能和协作结构
✔️ 粒子群优化重新配置为基于自然语言的优化，并通过结构转换迭代改进
✔️ 在六个真实世界任务中表现优于传统方法，特别是在结构自由度高的任务中表现出很强的通用性，尤其是在结构自由度较高的任务上

SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence
written by Yao Zhang, Chenyang Lin, Shijie Tang, Haokun Chen, Shijie Zhou, Yunpu Ma, Volker Tresp
(Submitted on 18 Jun 2025)
Comments: 41 pages
Subjects: Artificial Intelligence (cs.AI); Multiagent Systems (cs.MA)

code：

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

概述

近年来，基于大规模语言模型（LLM）构建自主代理系统备受关注，但传统方法依赖于预先定义的代理模板，存在灵活性和可扩展性问题。在此背景下，本文提出了一个名为 "SwarmAgentic "的新框架。该方法只需将任务描述和目标函数作为输入，就能在结构化的自然语言空间中全自动生成、优化和改进代理的协调结构。

该方法的一个显著特点是基于语言对粒子群优化（PSO）进行了重组，粒子群优化是一种群集智能，其中结构化代理系统被视为粒子。每个粒子都有一个用自然语言描述的代理配置和协调策略，并使用 LLM 进行迭代改进。因此，所提出的方法在复杂的实际任务（如旅行规划、行程协调和创意任务）中取得了很高的性能，明显优于以前的方法。

建议的方法

SwarmAgentic 是一个全自动框架，它以自然语言构建代理系统，并将其作为优化目标。其基本单位是 "粒子"，每个粒子由一组代理配置和协作工作流程组成。首先，在初始化阶段，使用 LLM 生成各种粒子。这包括由温度参数控制的搜索范围，从保守配置到创新配置不等。

优化通过 "故障感知速度更新"（Failure-Aware Velocity Update）实现，它使用基于故障的流量反馈。更新从失败中学习，并根据与自身最佳配置（个人最佳配置）和全群最佳配置（全局最佳配置）的比较，生成改进配置的方向。这样，微粒就能在句子层面重新配置自己的角色定义和协调策略，从而提高解决方案的质量。

位置更新（Position Update）通过句子结构转换来修改实际的代理配置和工作流程。通过这一系列过程，SwarmAgentic 能够生成自主优化的代理系统，同时兼顾配置的适应性和可解释性。

实验

为了测试 SwarmAgentic 的有效性，我们在六个现实的、结构限制较少的任务上进行了实验，包括旅行计划（TravelPlanner）、行程协调（NaturalPlan）、创意写作（Creative Writing）和数学推理（MGSM）。基线是一项标准的直接形式任务。基线包括标准的直接提示（Direct）、思维链（CoT）和自我修正的自我定义，以及现有的自动生成方法，如 EvoAgent 和 ADAS。

结果，在 TravelPlanner 任务中，SwarmAgentic 比 ADAS 提高了 261.8%，在所有任务中的准确率最高。特别是在创建任务中，我们还观察到，增加粒子数量和迭代次数可显著提高输出的一致性和主题性。

此外，一项可视化合成优化中期过程的分析表明，随着质量保证专家的引入和协作流程的调整，成功率逐步提高，这证明了 SwarmAgentic 的进化过程是有序和可解释的。这些结果表明，不依赖模板的全自动代理设计在实际任务中非常有效。