FL-MAESTRO：面向资源受限联邦学习的多智能体大语言模型编排

FL-MAESTRO是一个多智能体LLM编排器，用于资源受限的联邦学习。它通过三个专门智能体分别处理通信拓扑、客户端资源分配和聚合规则，并由协调器综合决策。该编排器利用预测失败列表避免浪费更新，在非IID CIFAR-10基准上匹配最强能耗感知基线的精度，同时将浪费轮次能量从超过三分之一降至接近零。

以往将大语言模型引入联邦学习的做法仅在初始化时进行或处理单一运行时维度（如客户端选择）。FL-MAESTRO首次通过多智能体LLM在运行时联合决策三个耦合维度，并将浪费能量大幅降低，这标志着LLM在联邦学习中从静态配置走向实时编排，可能改变边缘网络训练的效率范式。

联邦学习中通信拓扑、资源分配和聚合规则每轮需联动决策。FL-MAESTRO将每个决策维度交给一个专门的LLM智能体，协调器融合输出并经由非LLM可行性检查，确保决策可执行。由于读取预测失败列表，可剔除不会被聚合的客户端，从而消除易失边缘网络上主要能量浪费源。

对依赖联邦学习的边缘AI产品，该技术可显著节省训练能耗，降低运营成本，并支持多类异构设备无需单独能耗模型。它可能加速边缘侧模型更新，提升用户体验。但该方法依赖服务器预测失败列表，可能带来额外系统依赖。

• 在边缘联邦学习平台中集成FL-MAESTRO，自动优化每轮通信和资源分配，降低能耗。
• 为客户提供能耗-精度可调的多智能体编排服务，满足不同设备网络条件。
• 将预测失败列表与设备健康监测结合，提升训练可靠性。

• 能耗降低在真实大规模设备网络中的效果如何？
• LLM智能体的推理开销是否会被能耗节省抵消？
• 多智能体决策引入的延迟对训练时间的影响需量化。
• 是否适用于更复杂的模型和数据分布？