RCR-Router：面向多智能体LLM系统的角色感知上下文路由

RCR 按角色与预算路由共享记忆，作者报告省 35% token。

资讯摘要

论文提出 Role-Conditioned Context Routing（RCR），作为执行时层，在 token 预算下按智能体角色、可选任务阶段元数据与预算，从结构化共享记忆中筛选并路由相关记忆条目，并配合迭代记忆更新，减少多智能体重复处理无关上下文。作者报告在多跳问答、ALFWorld 与 WebShop 实验中，相较 Full-Context 平均减少 35% token 用量、38% 运行时间，任务表现持平或提升。

要点速读

1. RCR 按角色相关性打分、在 token 预算内选择记忆条目，并迭代更新记忆。
2. 实验覆盖多跳问答、ALFWorld 具身推理与 WebShop 网页决策。
3. 作者报告相对 Full-Context 平均省 35% token、38% 运行时间，性能持平或更好。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。