GraphMAS：面向图学习的多智能体协作系统性基准

arXiv 上出现论文 GraphMAS，针对图学习场景提出多智能体协作的系统性基准。它构建共享的图推理专家池，按智能体间交互与运行时自适应两个维度组织出四种范式、七种代表性协作方法，在七张文本属性图、三个领域和两项图学习任务上统一评测。结果显示异构图视角互补，协作优于单个专家与单智能体图推理，收益来自推理分解而非更广的证据获取；更丰富的智能体交互并未稳定带来提升，而实例自适应专家选择有效。

此前 LLM 图学习多依赖单智能体推理，多智能体协作主要在通用推理场景研究，图学习是否受益、协作策略如何设计缺乏统一评测。GraphMAS 首次给出可比较的基准与协议，把焦点从“堆叠更多交互”转向“按实例选择专家”，为图学习方向的架构选型提供实证依据而非经验判断。

论文的机制假设是：图上的有用证据分散在局部、长程、全局结构与语义等异构视角，不同样本所需视角不同。多智能体通过拆分推理让各专家专注一类视角，再由协调机制汇总，因而收益来自分解而非证据面扩大；交互轮次增加会引入噪声或冗余，所以自适应选择专家比固定密集交互更有效。

对做图数据产品与知识图谱、推荐、风控等业务的团队，这意味着不应默认把单智能体换成多智能体群聊式架构。可先在离线用统一协议对比“单智能体 vs 专家分解 + 实例级路由”，把成本花在专家分工与选择器上，而非交互轮次；同时需按图数据集和任务分别验证，避免跨场景直接套用。

• 在内部图推理链路上搭建 A/B 基准，对比单智能体与专家分解加实例路由的准确率与 token 成本。
• 将专家选择器做成可插拔模块，按样本特征动态调用局部、长程、全局结构等不同图推理角色。
• 针对文本属性图场景建立自有评测集，覆盖多领域与多任务，避免只依赖公开基准结论。
• 在成本敏感场景优先落地对话轮次少的协作范式，把资源投入到专家分工而非智能体间反复交互。

• 七种协作方法的具体名称、实现细节与开源情况尚未在证据中给出。
• 自适应专家选择的具体机制与选择信号是什么，是否依赖额外训练或标注。
• 结论在多模态图、动态图或超大规模图上的可迁移性未被验证。
• 相比单智能体的具体提升幅度、评测指标与成本数据在证据中缺失。