LLM 驱动的多代理系统通过角色专化和协作提升复杂推理能力，但协作方式需要依据当前查询下主模型的能力进行动态调整。过度协作会增加 token 消耗并产生冗余交互，而不足的协作则可能导致错误。为此我们提出了两阶段的能力感知编排框架。第一阶段为任务条件化的能力建模，利用查询特征预测 LLM 主干在该任务上的表现置信度。第二阶段依据预测信号自适应激活子角色并构建通信图，实现仅在必要时才展开多方协作。
在六个公开基准上，整体平均得分达到 93.81%。进一步在六种不同能力水平的 LLM 主干上进行实验，结果显示：对高能力模型，平均准确率从 87.22% 提升至 89.97%，同时 token 消耗降低 36.26%；对低能力模型，较现有方法额外提升 4.58 分。相同趋势在未见过的模型上亦得到验证，说明框架具备良好的通用性和鲁棒性。
该方法的核心在于将能力预测作为协作调度的信号，使系统能够在保证性能的前提下显著节约计算资源。
点评