Testing Interchangeability in LLM Agent Teams
测试LLM智能体团队中的可互换性
🧭 多智能体协作 · 团队更换与协调效率
China Agricultural University · Tianjin University of Finance and Economics · Jilin University · Tianjin University of Science and Technology
成队后交换角色匹配智能体，任务分损失小但沟通效率下降16–63%，历史越长影响越大
📌 工作参考价值（4 点）
- 生产环境替换 agent/模型版本时，不要只看任务分、成功率；建议监控“单位进度的 communication/token 开销”，角色替换会带来 16–63% 的隐性协调成本。可把 swap 后的 token 增量纳入回归测试。
- 私有 notebook/长期共建历史会让智能体之间形成约定，替换旧成员会干扰 partner conventions；想支持热插拔的团队可限制私有记忆、定期重置共享约定或做去耦合，降低替换冲击。
- 议程/planner 类关键 agent 被替换后，留存 agent 会承担更多沟通成本；架构上可把 planning 与执行解耦，避免替换关键角色影响全队协调效率。
- Greedy decoding 同时降低团队 drift 和 swap penalty；如果团队需要更可互换、更稳定的替换行为，低温度/贪心解码是低成本工程手段。更长的 formation history 会加大 drift，需在训练效率和替换稳定性之间权衡。