EvoTeam：通过演化团队实现多智能体协作

EvoTeam 是一个以协作为中心的演化框架，它维护可复用的智能体团队，并联合演化团队组织、团队特定交互规则和个体智能体技能，以提升 LLM 多智能体系统在异构任务上的表现。

现有 MAS 演化通常改进个体智能体，但更好的个体智能体不一定产生更好的协作团队。近期协作级演化仍将团队重组限制在共享结构内，并在不兼容的团队上下文中复用交互规则。论文的初步研究表明，跨异构任务持续演化相比仅目标演化可能降低目标任务性能。

EvoTeam 维护一个全局智能体池和一个可复用智能体团队库，每个团队都有描述和候选智能体名单。对于每个任务，它选择一个兼容团队或创建一个临时团队，然后由主席从名单中招募执行团队并分配子任务。团队特定的交互规则集作为软指导注入，智能体根据协调需求选择适用规则。执行后，三个反射器分别更新团队组织、其交互规则和个体智能体技能。交互规则保持团队特定，而智能体技能在团队上下文间保持可复用。

• 在混合基准演化下，EvoTeam 在全部六项指标上排名第一，平均得分为 59.58，比 Meta-Team 高 4.03 分。 §4.2
• 在个体基准演化下，EvoTeam 取得最高平均得分 58.85，并在六项评估指标中的四项领先，GAIA 上为 78.00 对 73.00。 §4.2
• 在跨骨干评估中，EvoTeam 在全部六种配置下优于 MAS；在 GAIA 上，GPT-5.6-Luna 和 DeepSeek-V4.1-Flash 分别提升 5.00 和 18.00 分。 §4.3
• 跨骨干迁移在所有六组配对比较中与同骨干性能的差距保持在 4.00 分以内；在 GAIA 上，跨骨干迁移达到 77.00，而同骨干演化为 78.00。 §4.3
• 消融显示，学习到的交互规则在 GAIA 和 LOCA 上分别增加 10.00 和 8.75 分，而无交互规则的任务条件团队在 GAIA 和 LOCA 上分别增加 6.00 和 2.50 分。 §4.4
• 在评估的成本效率任务上，EvoTeam 取得最高得分，同时每任务成本低于 Meta-Team 和 ReCreate；Skill-MAS 成本更低但性能也更低。 §4.5

• 论文指出，其评估未系统考察多模态交互环境中的协作演化。
• 论文指出，EvoTeam 通过显式更新积累经验，同时保持 LLM 参数固定，因此有效使用取决于基础模型能否正确解释并应用已存储的指导。
• 实验仍未覆盖更广泛的骨干泛化：跨骨干迁移仅用 DeepSeek-V4.1-Flash 和 GPT-5.6-Luna 评估。

• 初步研究：Inter-CT 和 Intra-CT 两种演化设置在三项指标上均不如仅目标演化的 Meta-Team。 §2.1
• 论文将受限的团队重组和交互规则的不当复用识别为潜在失败模式。 §2.2
• EvoTeam 维护全局智能体池和可复用团队库；每个团队都有描述和候选名单，并按任务招募执行团队。 §3.1
• 团队特定交互规则集缩小了复用范围，选定的智能体团队决定可用规则集。 §3.2
• 多级演化使用反射器更新团队描述或名单、交互规则以及个体智能体技能；规则保持团队特定，而技能可跨团队复用。 §3.3
• 在四个基准和六类任务上，EvoTeam 在混合基准演化下领先全部六项指标，平均 59.58，而最强基线为 55.55。 §6
• 消融显示了任务条件团队组织和学习到的交互规则两方面的价值。 §4.4
• 成本比较显示，EvoTeam 在对比方法中性能最强，且每任务成本具有竞争力。 §4.5