多智能体大语言模型系统通常使用生成模型完成专家执行、工作流规划和产物审查。然而，许多协同操作只需要有界决策，例如选择下一个专家或判断产物质量。对三类代表性 MAS 框架的剖析显示，路由和审查占生成型 LLM token 的 31.7%–43.5%。
如果用低成本决策模型替代这些操作，会出现两个接口缺口：规划缺口（生成式规划器只能输出执行计划和交接指令）和审查缺口（审查者只能给出可操作的反馈，单纯的有界决策无法完成）。
Jev-LiteMAS 通过轻量决策模型 Jev 与生成式执行、反馈相结合，填补上述缺口。为解决规划缺口，Jev 根据任务描述和已有专家输出动态挑选专家，并利用累计上下文直接支撑后续执行，无需预先生成完整轨迹。为解决审查缺口，Jev 将中间产物与任务标准对照筛选：合格产物直接进入下游，违规产物交由 LLM 重新审查以决定接受或提供纠错反馈。
在四个基准和两种主干模型上实验表明，Jev-LiteMAS 相比 LAS 能将生成型 LLM token 使用量降低 12.7%–54.6%，准确率下降不超过 1.34 个百分点，并在八个设置中有七个实现延迟下降。将路由依据实质性专家输出进行 grounding，可避免最高 18.0 分的准确率损失。
点评：Jev-LiteMAS 通过在关键环节引入低成本决策模型，实现了显著的算力节省和延迟降低，同时保持了竞争力的任务准确性，展示了在多智能体系统中“决策‑生成”解耦的可行路径。