研究人员开发了一个名为LATTE的新框架，以提高大型语言模型（LLM）团队的效率。LATTE通过使团队能够协作构建和维护一个共享的、不断发展的协调图来解决当前LLM协调方法的效率低下问题。该图编码了任务依赖关系和进度，使代理能够动态分配工作并调整其协调策略。实验表明，与MetaGPT和静态分解等现有方法相比，LATTE在保持准确性或提高准确性的同时，减少了令牌使用量、时间和协调失败次数。 AI
影响 该框架可以显著降低多代理LLM系统的运营成本并提高其可靠性。
排序理由 该集群包含一篇arXiv预印本，详细介绍了协调LLM团队的新框架。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.06320v1 Announce Type: cross Abstract: Large language models (LLMs) are increasingly deployed in teams, yet existing coordination approaches often occupy two extremes. Highly structured methods rely on fixed roles, pipelines, or task decompositions assigned a priori. I…
Large language models (LLMs) are increasingly deployed in teams, yet existing coordination approaches often occupy two extremes. Highly structured methods rely on fixed roles, pipelines, or task decompositions assigned a priori. In contrast, fully unstructured teams enable adapta…