Towards Multi-Agent Reasoning Systems for Collaborative Expertise Delegation: An Exploratory Design Study

要約

集合的な推論を強化するためのマルチエージェントLLMシステムの効果的なコラボレーション構造を設計することは重要ですが、未調査のままです。
このホワイトペーパーでは、コラボレーションの推論パフォーマンスが3つの主要な設計ディメンションによってどのように影響を受けるかを体系的に調査します。
私たちの調査結果は、専門知識の調整の利点が非常にドメイン継続的であり、文脈上の推論タスクに最も効果的であることを証明していることが明らかになりました。
さらに、多様な知識の統合に焦点を当てたコラボレーションは、一貫して厳格なタスク分解よりも優れています。
最後に、マルチエージェントシステムを専門知識の専門化でスケー​​リングすることの影響を経験的に調査し、より効率的な通信プロトコル設計の必要性を強調し、計算トレードオフを研究します。
この作業は、専門化されたマルチエージェントシステムを構成するための具体的なガイドラインを提供し、スケーラブルなマルチエージェント推論のための重要なアーキテクチャトレードオフとボトルネックを識別します。
コードは、受け入れられると利用可能になります。

要約(オリジナル)

Designing effective collaboration structure for multi-agent LLM systems to enhance collective reasoning is crucial yet remains under-explored. In this paper, we systematically investigate how collaborative reasoning performance is affected by three key design dimensions: (1) Expertise-Domain Alignment, (2) Collaboration Paradigm (structured workflow vs. diversity-driven integration), and (3) System Scale. Our findings reveal that expertise alignment benefits are highly domain-contingent, proving most effective for contextual reasoning tasks. Furthermore, collaboration focused on integrating diverse knowledge consistently outperforms rigid task decomposition. Finally, we empirically explore the impact of scaling the multi-agent system with expertise specialization and study the computational trade off, highlighting the need for more efficient communication protocol design. This work provides concrete guidelines for configuring specialized multi-agent system and identifies critical architectural trade-offs and bottlenecks for scalable multi-agent reasoning. The code will be made available upon acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google