知识卡片：MANTA：面向自进化多智能体系统的网络拓扑自适应框架

• 英文标题：MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems
• 英文关键词：Multi-Agent Systems; Network Topology Adaptation; Self-Evolving; Inference-time; LLM
• 原始来源：arXiv:2607.28527v1 [cs.AI]，https://arxiv.org/abs/2607.28527v1

一句话结论

MANTA 让基于大语言模型的多智能体系统在推理时自适应调整通信拓扑，使“协作架构本身”也能自我改进；在五个基准上平均得分 74.0，比最强基线高 5.8 个百分点。

事件概述或研究问题

现有 LLM 多智能体系统通常将通信拓扑视为固定设计或离线优化目标。MANTA 提出在部署过程中根据协作轨迹动态修改智能体角色、通信链接、执行顺序、信息可见性和验证路径，从而将“推理时自我改进”扩展到协作架构层面。

方法/产品要点

• 执行前：基于先验结构经验初始化任务条件化拓扑。
• 部署中：监控协作轨迹，当当前组织方式不足时施加有界结构更新。
• 更新能力：可修改智能体角色、通信链接、执行顺序、信息可见性和验证路径。
• 约束：保持任务接口与智能体预算不变。

主要结果或产业意义

• 评估覆盖五个基准：信息寻求、工具使用、规划、工作流执行、数学推理。
• MANTA 取得最高平均分 74.0，超过最强基线 5.8 个百分点，并在 PlanCraft 上取得最佳结果。
• 意义：结果表明，推理时自改进可以延伸到协作结构本身，而不只是单个智能体的策略或记忆。

为什么重要

已有相关卡片中，GaP 侧重图式策略生成，HealthClaw 侧重纵向个人健康管理，而 MANTA 的增量在于：它把“自进化”的对象从单个智能体或固定图结构扩展到多智能体系统的通信拓扑，提出在推理时动态调整协作组织方式，并给出了跨五个基准的实证支持。

局限与不确定性

• 摘要未给出各基准的具体分数、基线模型名称、智能体数量等细节，待核实。
• “有界结构更新”的具体边界条件、触发机制、更新频率和失败回滚策略未在摘要中说明，待核实。
• 实际计算开销、扩展到大规模型智能体系统的可行性，以及是否适用于长时任务，待核实。

可用于图书/PPT/简报的角度

• 用“团队组织会随任务难度自我调整”类比 MANTA：多智能体协作不再使用固定流程，而是像人类团队一样动态调整角色和沟通路径。
• 可对比固定拓扑与动态拓扑在复杂任务上的性能差异，引用平均 74.0 分、超出最强基线 5.8 个百分点的数据。
• 可提炼“协作架构本身也可以自我进化”作为 AI 系统设计的新视角。

原始材料

• 标题：MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems
• arXiv ID：2607.28527v1
• 作者：Mao-xun Huang, Jerry Wang, Yi-Cheng Lai, Zhengxin Zhang, Claire Cardie, Hen-Hsen Huang
• 提交/更新：2026-07-30T17:01:27Z
• 摘要链接：https://arxiv.org/abs/2607.28527v1
• PDF 链接：https://arxiv.org/pdf/2607.28527v1