LLM 驱动的智能体正被用于在无需人工干预的情况下完成复杂的长时任务。为了推进任务目标，智能体需要在执行过程中承担规划、验证等不同职责。我们先对单一智能体在长时执行中的职责分配进行初步研究，发现验证与任务成功关联最强，但往往出现在后期，纠错机会有限。同时，随着不同职责的记录在共享上下文中累积，职责相关信息的比例会下降。基于此，我们探讨多智能体系统能否通过为不同职责分配独立上下文来缓解这些问题。实验表明，仅仅分离上下文并不足以解决问题：智能体可能失去对整体目标的感知，重复已有的探索，并在接收他人信息时缺乏必要的背景。为此我们提出目标感知的动态多智能体协作（GAD）。GAD 使用不断扩展的执行图来组织子任务及其依赖关系。每个上下文保留原始指令、分配任务的目标以及接受条件，以保持目标聚焦。执行过程中，智能体可以根据执行证据将任务拆分为子任务并声明依赖，这些依赖决定了智能体的工作时机和接收的结果。验证与恢复模块会检查子任务结果以及整体任务是否满足目标，若检查失败则提供修复反馈。
点评