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ティング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コンテキストルーティング戦略の限界を克服するために、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を認識するアプローチを採用しています。これは厳格なトークン予算に準拠しながら行われ、軽量化されたスコアポリシーがメモリ選択を導き、エージェント出力が共有メモリストアに繰り返し統合され、段階的なコンテキストの改善を可能にします。さらに、LLMによって生成された説明をキャプチャするAnswer Quality Score指標を提示し、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向上させ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ルーティングフレームワークRCR-Routerの提示
役割認識的で動的なメモリールーティングによるトークン使用量の削減と回答品質の維持または向上
LLM生成記述を考慮したAnswer Quality Score指標提案による評価方式の改善
構造化メモリルーティングと出力認識評価の重要性を強調
Limitations:
提案されたRCR-Routerの性能は、特定のベンチマークに限定された実験結果に基づいています。さまざまなタスクとデータセットの追加実験が必要
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
軽量化されたスコアポリシーの設計と最適化の詳細な説明の欠如
👍