近期的多代理大语言模型系统越来越依赖图结构的通信来协调专门化的代理。我们从图工程的视角重新审视多代理编排：不再优化固定拓扑，而是合成一个任务条件化的时序工作流图，同时指定代理之间的连通性和边级通信语义。
我们提出 ReActNet，一个无需训练的框架，它将查询和一组角色专门化的代理编译为一系列有向通信图。每个图快照对应一次推理阶段，图中的每条边携带一段自然语言指令，说明源代理应向目标代理提供何种信息。
编译得到的时序图随后通过结构化消息传递执行：控制器为每个代理分配邻居，代理通过将自身先前的推理状态与来自邻居的消息进行融合来更新状态，最终的聚合器将所有代理的状态合成为答案。此设计将图的编译与执行解耦，使多代理协同变得显式、可检查且可依据任务条件化，无需强化学习或基于梯度的拓扑优化。
在知识推理、数学求解、代码生成以及 GAIA 风格的助理任务上，ReActNet 相较于固定拓扑和学习拓扑的基线始终取得提升，同时保持竞争性的推理成本。这表明有效的多代理编排不仅取决于哪些代理相互通信，更依赖于精心构造的可执行工作流图——它编码了信息在何时、为何以及如何流动。
点评