ARIA: Runtime Inspection and Amendment for Multi-Agent Systems

arXiv:2610.20780v1 公告类型：新

摘要：在基于LLM的多智能体系统（MAS）中，一个局部错误可能随着其他智能体在其基础上继续构建而传播，将本可纠正的错误演变为任务失败。对已完成的运行进行诊断，或反复重新执行以搜索修正方案，都无法提供一种可在执行仍在进行时进行干预的学习策略。我们提出Agent Runtime Inspection and Amendment（ARIA），一个用于学习何时以及如何修复进行中的多智能体执行的框架。我们的核心直觉是将经执行验证的修复转化为可复用的监督信号，将修复搜索转移到数据构建与训练阶段，从而使学习到的模型能够在运行时进行干预，而无需反复测试备选方案。首先，我们跨四个多智能体框架、六个基准测试和八个宿主模型，收集了超过24,000条成功与失败的轨迹。基于这些轨迹，我们构建了ARIA数据集，据我们所知，这是首个将失败的多智能体轨迹与经执行验证的修复配对的大规模数据集。它包含3,953个经验证的修复对，每个修复对指定了出错原因、干预位置以及执行应如何继续。然后，我们开发了ARIA框架，用于与MAS无关的运行时检查与修正，旨在与任何暴露执行轨迹并支持续接替换的MAS集成。以经验证的修复作为训练样本，我们教会一个紧凑模型识别何时需要干预以及如何纠正进行中的运行。目标是学习能够适用于新配置中相关失败的修复策略，而非仅仅复现个别的修正。最后，训练后的ARIA模型在事后和运行时两种设置下均展现出强大的修复性能，并能泛化到未见过的框架和宿主模型。我们的代码可在 https://github.com/LabRAI/ARIA 获取。