Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory

Created by
  • Haebom

作者

Jun Liu, Zhenglun Kong, Changdi Yang, Fan Yang, Tianqi Li, Peiyan Dong, Joannah Nanjekye, Hao Tang, Geng Yuan, Wei Niu, Wenbin Zhang, Pu Zhao, Xue Lin, Dong Huang, Yanzhi Wang

概要

本稿では、マルチエージェント大規模言語モデル(LLM)システムの効率的なコラボレーションのための新しいルート設定フレームワークであるRCR-Routerを提案します。既存の静的または完全なコンテキストパス設定戦略の限界(トークンの過剰消費、不要なメモリ暴露、対話ラウンド間の適応力の欠如)を克服するために、RCR-Routerは各エージェントの役割と作業段階に応じて意味的に関連するメモリサブセットを動的に選択するモジュラーで役割認識的なアプローチを採用しています。軽量化されたスコアポリシーを使用してメモリ選択を案内し、エージェントの出力を共有メモリストアに繰り返し統合して、コンテキストを徐々に改善します。さらに、標準のQA精度を超えてLLMによって生成された説明をキャプチャするAnswer Quality Score指標を提案し、モデルの動作をよりよく評価します。 HotPotQA、MuSiQue、2WikiMultihop 3つのマルチホップQAベンチマークの実験の結果、RCR-Routerはトークン使用量を最大30%削減しながら回答品質を維持または改善することを示しています。

Takeaways、Limitations

Takeaways:
マルチエージェントLLMシステムの効率的なコラボレーションのための新しいアプローチの提示(RCR-Router)。
役割認識と動的メモリパス設定により、トークン使用量の削減と回答品質の向上を実現
LLM生成記述の定性的評価のための新しい指標(Answer Quality Score)提案。
構造化メモリパスの設定と出力認識評価の重要性を強調します。
Limitations:
提案されたAnswer Quality Score指標の一般化の可能性と客観性に関するさらなる研究が必要です。
多様なマルチエージェントLLM課題に対するRCR-Routerの一般化性能検証が必要
RCR-Routerの拡張性と複雑な相互作用シナリオの安定性評価が必要
👍