MAS-Loop：让多智能体系统从执行轨迹中自我进化

论文提出用执行轨迹闭环修正多智能体系统的 MAS-Loop 框架。

资讯摘要

论文提出 MAS-Loop 框架，针对训练时多智能体系统设计多为一次性编排、仅依据最终结果学习的问题，将 Orchestrator 与轨迹条件化的 Refiner 耦合：Orchestrator 构建并执行源 MAS 得到结果分数与中间轨迹，Refiner 据此定位失败、给出诊断并提出对智能体、信息流或执行配置的有界补丁，更新后的 MAS 在同一任务上重跑以衡量实际效果。作者报告该框架在评测基线中整体表现最强，并产出 MAS-JudgeCorpus 数据集。

要点速读

1. 论文指出主流训练时 MAS 设计只观察终端结果，丢弃了暴露系统级失败的执行轨迹。
2. MAS-Loop 用轨迹条件化的 Refiner 定位失败并提出有界补丁，再重跑更新后的 MAS 做配对比较。
3. 作者报告 MAS-Loop 在评测基线中整体表现最强，并发布 MAS-JudgeCorpus 数据集。

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 2026/10/31 08:00:18（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。