MMoA：一种具有递归机制的AI智能体框架，用于记忆型混合智能体

arXiv:2605.19194v1 公告类型：新 摘要：混合智能体（Mixture-of-Agents, MoA）框架通过聚合多个智能体的输出，在提升大语言模型（LLM）性能方面展现出潜力。然而，现有的MoA系统通常依赖静态路由器，无法充分捕获跨聚合层的时间与上下文依赖关系。为解决这一局限，我们提出MMoA，一种递归MoA架构，将基于LSTM的门控机制集成到智能体选择过程中。递归路由器根据当前输入和历史路由决策自适应地调节智能体的贡献，从而实现更具上下文感知的聚合。我们在标准指令遵循基准（包括AlpacaEval 2.0、MT-Bench和Arena-Hard）上评估了MMoA。结果表明，MMoA在达到与传统MoA相当精度的同时，通过动态激活更少的智能体降低了计算开销。例如，在AlpacaEval 2.0上，MMoA的胜率为58.0%，而MoA为59.8%，同时运行时效率提升了高达4.6%。这些结果表明，MMoA为自适应多智能体LLM系统提供了一种可扩展且高效的方法。

# MMoA：一种具有循环机制的AI智能体框架，用于记忆化混合智能体（Memoried Mixure-of-Agent）
来源：https://arxiv.org/abs/2605.19194
文献工具

## 文献与引用工具

文献浏览器切换

代码、数据与媒体

## 本文相关的代码、数据与媒体

演示

## 演示

相关论文

## 推荐与搜索工具

关于arXivLabs

## arXivLabs：与社区合作者的实验项目

arXivLabs是一个框架，允许合作者直接在我们的网站上开发和分享新的arXiv功能。

无论是个人还是组织，只要与arXivLabs合作，都已接受并认同我们的价值观：开放、社区、卓越和用户数据隐私。arXiv致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。

有一个能为arXiv社区增添价值的项目想法？**了解更多关于arXivLabs**（https://info.arxiv.org/labs/index.html）。