MANTA：多智能体网络拓扑自适应，实现系统自我进化

MANTA 是一个多智能体网络拓扑自适应框架，允许基于大语言模型的智能体系统在推理时动态调整通信结构，包括角色、链接、执行顺序和验证路径。在五个基准测试中，MANTA 平均得分 74.0，比最强基线高 5.8 个百分点，并在 PlanCraft 上取得最佳结果。

此前多智能体系统的通信拓扑多为固定设计或离线优化，而 MANTA 首次实现推理时的拓扑自适应，使协作架构能够随任务动态演化，显著提升性能，表明智能体系统的自我改进可扩展至架构层面。

MANTA 在执行前基于先验经验初始化任务条件化拓扑，部署时监控协作痕迹，并在当前组织不足时进行有界结构更新，可修改角色、连接、顺序等，同时保持任务接口和智能体数量预算不变，从而在限制内优化协作效率。

MANTA 可能促使智能体产品从静态流程转向自适应协作，提升复杂任务处理能力，但需额外计算开销和监控机制；对研发而言，需重新设计系统架构以支持动态拓扑调整，可能增加复杂性和调试难度。

• 开发自适应任务编排工具，根据任务类型自动调整智能体协作结构。
• 在现有多智能体平台中增加拓扑可视化与监控功能，帮助用户理解动态调整。
• 为特定行业（如金融、医疗）优化 MANTA 初始化策略，提高领域适配性。
• 探索将 MANTA 应用于资源受限环境，通过有界更新降低计算成本。

• MANTA 在真实业务场景中的部署成本具体如何？
• 拓扑自适应是否会导致不可预测的失败模式？
• MANTA 的改进是否依赖特定基准或任务类型？
• MANTA 与其他优化方法（如强化学习）结合的效果如何？