Unified-MAS：自動マルチエージェントシステムを強化するための、領域固有ノードをユニバーサルに生成する

要旨: 自動マルチエージェントシステム（MAS）の生成は、複雑な推論課題を解くための有望なパラダイムとして注目されている。 しかし、既存の枠組みは、知識集約型の領域（例：医療や法務）に適用した場合、根本的にボトルネックに直面する。 それらは、Chain-of-Thought のような一般的ノードの静的ライブラリに依存しており、専門性に特化した知識を欠く場合がある。あるいは、ノードをその場で生成しようとする場合もある。 後者では、オーケストレータは自らの内部知識の限界に縛られるだけでなく、同時に領域固有のロジックを生成し、高レベルのトポロジを最適化しなければならない。その結果、アーキテクチャ上の結合が深刻に進み、システム全体の有効性が低下する。 このギャップを埋めるために、我々は Unified-MAS を提案する。Unified-MAS は、オフラインでのノード合成によって、きめ細かなノード実装とトポロジのオーケストレーションを分離する。 Unified-MAS は 2 段階で動作する。 (1) 探索ベースのノード生成では、外部のオープンワールド知識を取得して、専門化したノードの設計図を合成し、LLM の内部知識の限界を克服する。 (2) 報酬ベースのノード最適化では、パープレキシティ（困惑度）に導かれた報酬を用いて、ボトルネックとなるノードの内部ロジックを反復的に改善する。 4 つの専門領域にまたがる大規模な実験により、Unified-MAS を 4 つの自動 MAS のベースラインに統合することで、より良い性能・コストのトレードオフが得られることを示す。最大で 14.2% の向上を達成しつつ、コストを大幅に削減できる。 さらに分析により、設計者となる LLM が異なる場合でも頑健であること、また数理推論のような従来型の課題にも有効であることが明らかになった。