GraphPlanner用图记忆网络实现多智能体LLM工作流动态路由
GraphPlanner通过图记忆网络和强化学习，让LLM路由不仅能选模型，还能动态生成多智能体协作流程，效果显著。
UIUC提出GraphPlanner，将多智能体LLM路由从单一模型选择升级为动态工作流生成。系统利用图记忆网络，在每一步同时选择调用哪个模型和激活哪个智能体角色，实现任务分解与协作规划，相比基线准确率提升9.3%。
正文摘录
 新智元报道  【新智元导读】 GraphPlanner 通过引入图记忆网络，将多智能体 LLM 的路由过程升级为动态工作流生成。不仅选择调用哪个模型，还决定每个模型应承担的角色，实现任务分解与协作规划。 当大语言模型从「单模型回答」走向「多模型协作」，一个新的问题正在浮现： 系统不只需要知道该调用哪个 LLM，还需要知道该让这个 LLM 扮演什么角色、在什么步骤调用、如何与其他模型协作。 现有 LLM Router 大多关注 query-level 的模型选择：给定一个问题，判断该交给 Qwen、LLaMA、Gemma、Mixtral 还是其他模型。进一步的多轮 Router 虽然能够进行多次调用，但通常仍然只是「连续选择模型」，缺少对多智能体协作流程本身的显式建模。 对此，University of Illinois Urbana-Champaign（UIUC）的研究人员提出 GraphPlanner，将 LLM Routing 从「选择模型」推进到「生成多智能体工作流」：系统在每一步同时决定调用哪个模型以及激活哪个智能体角色，并利用图结构记忆历史交互与当前工作流状态，从而实现更高效、更可泛化的多模型协作。