InfiAgent: Self-Evolving Pyramid Agent Framework for Infinite Scenarios¶

会议: ICLR 2026 arXiv: 2509.22502 代码: 待公开领域: llm_agent 关键词: multi-agent system, DAG, agent-as-a-tool, self-evolution, task decomposition, hierarchical agent

一句话总结¶

提出 InfiAgent，一个基于 DAG 的金字塔式多智能体框架，通过 agent-as-a-tool 机制实现自动化的层级任务分解、双重审计质量保障、智能路由和自演化能力，在多个推理基准上比 ADAS 平均提升 9.9%。

研究背景与动机¶

当前基于 LLM 的智能体系统面临几个核心挑战：

手工设计瓶颈：现有智能体需要精心设计的工作流、提示词和迭代调优，这要求同时具备 LLM 技术和领域专业知识，严重限制了跨行业的可扩展性
协调开销大：传统多智能体架构采用点对点协作模型，允许智能体之间自由交互，导致协调开销增大、死锁和不可预测的行为
缺乏自适应性：现有框架依赖人工编写模板，缺乏系统推理能力，无法自主适应新任务和优化需求
稳定性问题：随着系统复杂度增加，智能体间的不可预测交互、资源冲突和涌现行为不稳定性问题日益突出

InfiAgent 旨在提供一个通用框架，无需大量手动配置即可自动适应多样化问题域。

方法详解¶

整体框架¶

InfiAgent 设计为基于 DAG（有向无环图）的分解和路由系统。与传统强调直接执行的架构不同，InfiAgent 中大多数智能体专注于规划和路由任务，实际执行委托给底层的功能智能体组。每个高层智能体充当少量专门低层智能体的规划器，编排它们的协作并合并结果。整体框架呈金字塔形，顶层 Router 负责重定向所有用户查询以避免逐层搜索。

关键设计¶

1. Agent-as-a-Tool 机制与智能路由¶

核心原理是将智能体作为工具进行分解和路由。当任务 \(T_0\) 提交给顶层智能体 \(\alpha\) 时：

自动识别合适的低层智能体 \(\{A_1, A_2, \ldots, A_k\}\)
将任务重新表述为子任务 \(\{T_1, T_2, \ldots, T_k\}\)
每个低层智能体作为专门工具被高层智能体调用

分解过程形式化为：

\[T^{(l)} \mapsto \{T_1^{(l+1)}, T_2^{(l+1)}, \ldots, T_{k_l}^{(l+1)}\}\]

为保持每个智能体的简单性，框架施加严格约束：\(k_l \leq K_{\max}\)，其中 \(K_{\max} = 5\)，确保即使系统指数增长，单个智能体也不会面临过大的协调复杂度。

2. 架构可扩展性¶

利用深度实现功能智能体的指数增长：当平均分支因子为 \(b\) 时，深度 \(L\) 处可达的功能智能体数为 \(N_{\text{func}} \approx b^L\)。这使得顶层智能体拥有广泛的泛化能力，同时每个中间智能体只需推理有限数量的子节点。

3. 双重审计质量保障¶

InfiAgent 实现两层审计机制：

执行级审计：持续监控和验证每个智能体的输出。维护质量评分 \(Q_i^{(t+1)} = \alpha \cdot Q_i^{(t)} + (1-\alpha) \cdot \text{validate}(O_i^{(t)})\)
系统级审计：通过内置审查机制和回顾性摘要维护系统稳定性，同时进行上下文压缩以节省 token

4. 轻量通信与上下文控制¶

智能体之间仅交换文件描述符和元数据：\(M_{i \to j} = (\text{addr}, \text{desc})\)。执行上下文分解为四个结构化组件：

系统提示上下文 \(C_{\text{sys}}\)：引导智能体行为的预定义提示
长期记忆索引 \(C_{\text{LM}}\)：压缩的文件描述符和索引，\(C_{\text{LM}} = \text{compress}(\{d(f_i) \mid f_i \in \mathcal{F}\})\)
短期共享记忆 \(C_{\text{SM}}\)：动态调用栈，记录活跃的智能体调用树
压缩环境交互上下文 \(C_{\text{ENV}}\)：当 token 长度接近阈值 \(\tau\) 时自动压缩

通过约束 \(|C| \ll |H|\)（\(H\) 为完整历史日志），确保上下文长度有界。

5. 自演化机制¶

三个层次的演化：

模型级：Git 风格工作流，多个轻量模型并行执行，由 Judge 模型 \(J\) 评估后合并到主分支 \(B_{\text{main}}^{(t+1)} = \text{merge}(B_{\text{main}}^{(t)}, \{\Delta m_i^{(t)} \mid J(\Delta m_i^{(t)}) = 1\})\)
智能体级：利用主分支的高质量训练数据持续更新所有并行模型 \(m_i^{(t+1)} \leftarrow \text{train}(m_i^{(t)}, D(B_{\text{main}}^{(t)}))\)
拓扑级：根据性能模式和新任务需求动态重构 DAG 拓扑，实现领域级专家模型的形成

损失函数¶

框架通过质量评分机制和自演化反馈循环进行优化，核心目标是最大化任务完成质量 \(Q_i\) 同时最小化上下文长度 \(|C|\)。

实验关键数据¶

主实验¶

在五个基准上的表现（均使用 GPT-4o-mini 作为基础模型）：

方法	DROP	HumanEval	MBPP	GSM8K	MATH	平均
IO (GPT-4o-mini)	68.3	87.0	71.8	92.7	48.6	73.68
CoT	78.5	88.6	71.8	92.4	48.8	76.02
CoT SC (5-shots)	78.8	91.6	73.6	92.7	50.4	77.42
MedPrompt	78.0	91.6	73.6	90.0	50.0	76.64
Self Refine	70.2	87.8	69.8	89.6	46.1	72.70
ADAS	76.6	82.4	53.4	90.8	35.4	67.72
InfiAgent	82.4	89.3	71.8	93.1	35.6	74.44

消融实验¶

InfiHelper 案例研究——质量评估对比（1-10 分制 peer review）：

系统	代表论文	最佳分数	平均分
AI-Researcher	多篇 VQ-VAE/GCN	6	4.75
Zochi	Tempest Jailbreak	6	6.0
Sakana-AI	Compositional Regularization	4	4.0
InfiHelper	Adaptive Multi-Scale DAS	7	5.67

关键发现¶

复杂推理卓越：DROP 达 82.4%，比最佳基线 CoT SC (78.8%) 高 3.6 个百分点，验证了 agent-as-a-tool 机制在多步推理任务上的优势
数学与代码能力强：GSM8K 93.1%（最高），HumanEval 89.3% 具有竞争力
专门数学领域受限：MATH 仅 35.6%，因工具调用框架的 overhead 消耗了本可用于直接数学推演的模型能力
比 ADAS 平均提升 9.9%：验证层级化分解优于端到端自动生成

亮点与洞察¶

Agent-as-a-Tool 抽象精巧：将智能体统一视为工具，实现了前所未有的模块化和可重用性，同一框架可处理从科学研究到软件工程的多类任务
金字塔结构 + Router 设计：通过 Router 直接重定向用户查询避免逐层搜索，显著提升效率
自演化是最大亮点：类 Git 的模型演化工作流使得系统可自主优化，无需人工干预
轻量通信设计实用：仅传递 (addr, desc) 对，确保上下文长度有界，解决长期运行任务中的上下文膨胀问题
InfiHelper 生成的论文通过了 IEEE 顶会人工审稿验证，证明系统在真实科研场景中的实用价值

局限性¶

MATH 基准表现不佳：对于需要集中推演而非多步分解的挑战性问题，工具调用框架的开销反而成为负担
实验使用统一骨干模型：为公平比较牺牲了异构模型协作的展示
InfiHelper 案例研究缺乏详细定量评估：主要依赖 AI 评审打分
自演化机制的收敛性和稳定性未充分分析
缺乏与更多最新多智能体框架（AutoGen、MetaGPT 等）的直接对比

评分¶

创新性: ⭐⭐⭐⭐ — Agent-as-a-Tool 和金字塔式 DAG 架构是有趣的系统设计创新
实用性: ⭐⭐⭐⭐ — 框架易于扩展部署，InfiHelper 案例展示了真实应用价值
实验充分度: ⭐⭐⭐ — 基准实验充分但案例研究评估偏弱
写作质量: ⭐⭐⭐⭐ — 结构清晰，数学形式化完整，图示直观
综合评分: ⭐⭐⭐⭐ (7.5/10)