CATS 用逐智能体归因同时优化团队构成并剪除有害智能体。
资讯摘要
论文提出 Contrastive Attribution Topology Search（CATS），在固定专家智能体超图中搜索紧凑团队。方法用 LLM 归因器比较候选拓扑的执行轨迹，为单个智能体分配贡献值，据此更新超图边并逐步剪除弱边与弱智能体。作者报告，在小型开放权重模型上，CATS 于 BigCodeBench 平均准确率比仅用分数的启发式搜索高 5.3 个百分点，部署 token 少 54%；在 HotpotQA 提示注入压力测试中，三次运行均排除了全部被对抗提示的智能体。
要点速读
- CATS 用 LLM 归因器对比候选拓扑的执行轨迹，为单个智能体分配贡献值，并据此更新超图边、剪除弱边和弱智能体。
- 作者报告 BigCodeBench 上平均准确率较仅用分数的启发式搜索提升 5.3 个百分点，部署 token 减少 54%；MBPP 上以更少 token 匹配最强基线。
- HotpotQA 提示注入压力测试中，CATS 三次运行均排除全部被对抗提示的智能体，随机搜索在相近准确率下仍保留部分此类智能体。
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 2026/10/23 08:00:11（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。