告别手搓固定工作流！Google 等提出 SHIFT：单 Query 动态预测生成多智能体系统，MCTS 决策树斩获 80% 准确率
在多智能体系统（Multi-Agent Systems）中，Agent 的角色分工、系统提示词、可用工具集以及通信协作拓扑（统称为 Agent Harness）对任务成败起着决定性作用。然而，不同用户 Prompt 的复杂度与侧重点天差地别，传统人工预设的固定多 Agent 图谱（如固定的分工角色与流程流水线）极度僵化；而在推理期直接针对单个请求暴力搜索并反复执行不同 Agent 组合，又会导致令人望而生畏的延迟与 API 成本爆炸。来自 Google Cloud AI Research、佐治亚理工学院与加州大学戴维斯分校的研究团队联合提出了革命性框架 SHIFT（arXiv:2610.04137）。SHIFT 创造性地将繁重的代码执行从单 Query 搜索循环中剥离：利用轻量本地 LLM 架构师学习策略网络，结合在历史执行轨迹上训练的价值函数，在不实际调用外部工具的前提下精准预测不同 Harness 的准确率与 Token 成本权衡。在此基础上，框架利用蒙特卡洛树搜索（MCTS）为每个具体用户请求即时定制专属的最佳多智能体架构。在 6 大基准 9,193 个跨领域任务的测试中，搭载 Gemini 3.5 Flash 执行器的 SHIFT 平均准确率突破 80%，以显著优势击败全部 17 种主流基线方案，且推理 Token 消耗降低 32%。
核心要点速览
- 提出首个基于预测的单 Query 动态多智能体架构合成框架 SHIFT，将昂贵的物理执行彻底剥离出即时搜索回路
- 基于轻量本地 LLM 架构师策略与效用价值函数驱动蒙特卡洛树搜索（MCTS），动态平衡任务准确率与 API Token 消耗
- 在 6 大基准 9,193 项任务上斩获 80% 平均准确率，超出最强基线 7.2%，同时在低开销模式下节省 32% 执行 Token
关联模型 / 智能体 / 厂商: