Dynamic Coalition Formation and Communication Pricing in Skill-Based Agentic AI Systems

本文针对多LLM agent协作中的通信开销问题，提出将agent选择和通信建模为带任务条件的合作博弈，目标是最大化净效用（价值减激活成本）。核心方法包括边际价值激活规则、贪心路由以及估计Shapley值来动态决定联系哪些agent，并扩展到带边成本的通信图优化。实验表明贪心路由达到暴力搜索最优效用的99.5%，平均激活8个agent中的1.96个，而全广播仅为38.8%，但对次模性违反或噪声敏感时性能降至66%。文中还提供了理论保证（曲率修正界、1/2近似）并指出主路由仍是启发式。

1. 直接用于导购agent产品：我们的导购agent常需调用多个工具子agent，目前是预定义调用链或全量触发，存在冗余。该方法提供了一种动态选择agent的机制，可按任务效用和token成本做贪心路由，有望降低延迟和成本。下一步可小规模模拟验证效果。
2. 改变技术选型判断：以前认为全广播（让所有子agent都参与）更稳妥，但本文用数据展示其低效（仅38.8%效用）。这提示我们应在路由层引入效用评估和动态剪枝，而非简单依赖prompt设计让主模型自行决定。
3. Shapley值估算有应用潜力：用于执行前预测哪些agent值得联系，可借鉴到情报平台的论文筛选：先估算各方向论文的“边际价值”，再决定是否深入阅读。不过需要关注其对噪声的敏感性，在真实数据上需谨慎评估。