#Orchestration

3 篇

When Tomorrow Becomes Today: Self-Evolving Policies for Agentic Time-Series Forecasting

当明天成为今天：自进化策略用于智能体时序预测

🧭 Agent 自进化 · 延迟反馈策略

Ant International · Tsinghua University · The Chinese University of Hong Kong

将时序预测智能体的延迟反馈转化为专家信任、路径选择与干预强度的持久联合更新

📌 工作参考价值（3 点）

延迟反馈无需额外标注：在电商推荐 Agent 中，每次请求同时记录多路召回/排序/策略路径的预测结果，待真实转化/点击回流后用 realized outcome 评估整个候选集，为在线策略更新提供免费监督信号。
自进化策略分层更新：借鉴 frozen backbone + 外层策略微调，只更新专家信任权重、路径路由概率、干预强度等轻量参数，避免频繁更新 LLM/大模型 backbone，工程上更稳定且易回滚。
predict-reveal-update 协议可嵌入推荐 Agent 编排：如搜索推荐中由 LLM 调度多个模型（语义召回、协同过滤、生成式推荐），通过每轮真实反馈持续调整各专家贡献度，自动适应流量/季节/活动变化。

Agent | 2026-09-21 | cs.LG | score 6/10

MARC v1: An Open-Source Multi-Agent Framework for Clinical AI Reasoning and Coordination

MARC v1：面向临床AI推理与协调的开源多智能体框架

🧭 多智能体协作推理与自动提示生成

College of Engineering, University of California, Davis · Perelman School of Medicine, University of Pennsylvania · School of Engineering and Applied Science, University of Pennsylvania · College of Computing and Informatics, Drexel University · UC Davis Graduate School of Management, Davis, CA

开源多智能体框架MARC，用确定性角色编排替代单体LLM提示，实现可追踪的临床推理与自动提示生成

📌 工作参考价值（4 点）

角色化多智能体流水线：将复杂推理任务拆解为提取、推理、生成、评估四个阶段，每个阶段独立Agent，便于错误定位和迭代。电商搜索/推荐中的query解析、意图理解、商品属性抽取、客服文案生成等长链路任务可直接套用这种确定性编排。
Decomposer模块：用自然语言任务描述自动生成各Agent的prompt，大幅降低prompt工程成本，适合业务快速扩展新场景或调整流程。
YAML配置+模型无关+本地CPU部署：架构上将流程与模型解耦，支持灵活切换底层LLM（API或本地模型），减少代码改动，便于算法团队快速实验和部署。
显式上下文传递与可追踪中间输出：多步骤生成任务（如推荐理由、广告创意）中，中间输出可审计、可归因，有利于线上效果分析和调试。

MultiAgent | 2026-08-13 | cs.AI | score 7/10

MultiAgent Clinical AI Orchestration Decomposer Open-source LLM reasoning

Reward Modeling for Multi-Agent Orchestration

多智能体编排的奖励建模

🧭 多智体编排 · 奖励建模 ★ 深度解读

Rutgers University · Salesforce AI Research

提出编排级奖励模型 Orch-RM，用自监督偏好对训练，无需人工标注和子 Agent 全量执行，显著提升测试时缩放和编排器训练的效率与效果

📌 工作参考价值（4 点）

编排级奖励信号直接用于推理：Orch-RM 在编排层面评分，无需执行子 Agent 即可选择最优编排方案，将 BrowseComp 验证成本从 142.8M token 降至 8.26M，准确率还提升 1.5%。电商多 Agent 场景（如客服路由、推荐流程编排）可借鉴，在低延迟要求下用轻量奖励模型筛选高质量协作图。
利用训练中间产物构造偏好对：从训练检查点和轨迹中自动构造“专用优于基础”和“正确优于错误”两类偏好对，无需人工标注。业务中若已有多 Agent 训练日志，可直接复用该自监督构造方法，大幅降低评估器标注成本。
奖励模型指导继续训练：Orch-RM 替代全轨迹 GRPO 的稀疏奖励，在 AIME 24&25 上使用约 1/10 的训练 token 取得 3% 的 majority vote 提升，BrowseComp 上更以 1/46 token 量实现 2% 提升。对于需要频繁迭代的编排策略模型，可大幅节省训练算力。
域特定奖励模型可迁移：论文训练了数学、Web QA 等域特定奖励模型，并在 GPQA（科学推理）上验证了跨域泛化能力。电商多域（推荐、搜索、客服）可分别训练编排评估器，或探索多域融合的统一奖励模型，降低重复训练成本。

MultiAgent | 2026-06-11 | cs.LG | score 9/10

Reward Modeling Multi-Agent Orchestration Test-Time Scaling Bradley-Terry GRPO