MaAS：多 Agent 的动态编排

TL;DR

MaAS（Multi-agent Architecture Search）将神经网络架构搜索（NAS）的超网思想引入 Agent 领域，首创「智能体超网」——根据任务难度动态「剪」出量身定制的多 Agent 团队。性能超越现有方法最高 11.82%，推理成本仅为现有方法的 45%。

核心观点：从「一套架构打天下」到「因材施教」，MaAS 让多 Agent 系统第一次具备了「按需编排」的能力。

1. 背景：一套架构打天下的困境

现有自动化多 Agent 系统存在一个根本矛盾：

• 简单任务被过度设计：一个 10 + 1 × 2.5 的计算，Agent 系统要调用数十次 LLM，浪费严重
• 复杂任务被设计不足：不同领域的复杂任务需要不同能力的组合，但系统只有一个固定架构

问题的根源：这些系统都在找一个「万金油」式的复杂架构，试图用同一个架构应对所有任务。

但现实是：不存在一个能在所有任务上都最优的「全能冠军」。

2. 核心创新：智能体超网

MaAS 的核心思想来自一个领域的跨界迁移：

神经网络架构搜索（NAS）的超网（Supernet）思想 → Agent 领域

在 NAS 里，超网是一个包含所有可能子网络的大网络，训练时所有子网络共享权重，推理时根据任务动态「剪」出最优子结构。

MaAS 把这个思想迁移到多 Agent 架构：

┌────────────────────────────────────────────────────┐
│              智能体超网（Agentic Supernet）         │
│                                                    │
│   超网 = 包含所有可能的 Agent 组合的大网络          │
│                                                    │
│   简单任务 → 剪到第二层 → 提前退出（Early-exit）   │
│   复杂任务 → 构建更深、更复杂的网络                │
│                                                    │
└────────────────────────────────────────────────────┘

不再是「找一个最佳阵容」，而是「有一个万能蓝图，按需裁剪」。

3. 三大核心机制

3.1 定义万能蓝图（Agentic Supernet）

超网定义了多 Agent 系统的所有可能组合方式：

• 哪些 Agent 角色存在
• Agent 之间如何连接
• 信息如何在 Agent 之间流动

这个蓝图是「万能」的，因为它覆盖了所有可能的组合。

3.2 智能调度（Smart Routing）

给定一个任务，系统判断：

• 任务难度多大？
• 需要哪几个 Agent 的组合？
• 信息流应该怎么走？

然后从超网中「剪」出对应的子结构执行。

简单任务剪得少，复杂任务剪得深。

3.3 自我进化（Self-evolution）

超网本身可以通过训练持续优化：哪些任务适合短路径，哪些任务需要长路径，调度器自己学。

这不是人工设计调度规则，而是系统自己学会了「什么任务走什么路径」。

4. 性能亮点

• 性能超越现有方法最高 11.82%
• 推理成本仅为现有方法的 45%（降低 55%）

11.82% 的性能提升 + 55% 的成本降低，这个组合在企业级部署里意味着什么？

意味着你在不牺牲性能的前提下，把推理成本砍了一半。这是真正实用的进步。

5. 为什么重要

MaAS 解决了一个之前没有被清晰定义的问题：

多 Agent 系统的资源分配，应该是任务相关的，而不是固定的。

之前的多 Agent 系统是「不管任务难不难，都用同一套团队」。MaAS 之后是多 Agent 系统「根据任务难度动态组队」。

这是 ICML 2025 Oral 的原因——它代表了一个新范式的起点。

6. 与 DeepAgent、MIA 的关系

三篇论文放在一起看，构成了 Agent 进化的三个维度：

三个方向正好对应：能力扩展（工具）× 经验积累（记忆）× 资源优化（编排）。

参考文献

• Multi-agent Architecture Search via Agentic Supernet (MaAS). arXiv:2502.04180. NUS, Shanghai AI Lab, Tongji University, NTU. ICML 2025 Oral. https://arxiv.org/abs/2502.04180