本稿では、静的で手動で設計されたコラボレーショングラフ構造に依存する既存のマルチエージェントシステム（MAS）の制限を克服するために、大規模言語モデル（LLM）ベースのMASを強化する動的フレームワークであるDynaSwarmを提案します。 DynaSwarmは、2つのコアイノベーション、すなわち（1）従来の強化学習（RL）法よりも安定性が向上したアクタークリティカル強化学習（A2C）メカニズムによるグラフ構造の最適化、および（2）パラメータ効率的なLLM微調整により、各入力サンプルに対して最適なグラフ構造を適応的に選択する動的グラフセレクタを活用します。これにより、DynaSwarmはすべてのサンプルに適用される固定グラフアーキテクチャを使用するのではなく、サンプル固有の機能を利用して特殊エージェントネットワークを介してクエリを動的にルーティングします。また、コンテキスト内学習（ICL）の効果を最大化するためにデモ検索を微調整する方法を提案します。質問の回答、数学的推論、コーディング作業の広範な実験は、DynaSwarmが複数のLLMバックボーンで最先端の単一エージェントとMAS基準モデルを着実に凌駕することを示しています。
