厦门大学团队提出 FlowMAS：用 GFlowNet 自动生成多智能体工作流拓扑，被 NeurIPS 2026 录用
把多智能体「组织架构」的设计从工程师手绘变成可学习问题：FlowMAS 用 GFlowNet 在离散拓扑空间里按表现采样，训练时才用奖励打分，推理不增加成本，六个基准上超过 AFlow、MaAS 等自动化基线。
大模型多智能体系统的难点不在组队，而在「排兵布阵」——谁先做、谁汇总、信息怎么流动，直接决定团队表现。厦门大学 ASC 实验室提出 FlowMAS，把工作流拓扑设计变成一个可学习的生成问题：用 GFlowNet（生成流网络，一种在离散组合空间里按奖励比例采样结构的生成模型）作引擎，再加入好奇心与信息论两类过程性奖励，让 AI 自己学出既多样又省钱的组织架构。
正文摘录
.jpg)  本文第一作者来自厦门大学空间感知与计算实验室（ASC Lab）2025 级博士生王海涛、2025 级硕士生梁辰景，通讯作者为厦门大学沈思淇副教授，并由张海鹏、胡家威、王思诚、梅松竹副研究员、温程璐教授、王程教授共同合作完成。研究团队长期聚焦于大模型智能体、强化学习以及多智能体系统。实验室主页：https://asc.xmu.edu.cn/ 做大模型应用的人，多少都有过这样的体会：一个 AI 搞不定的事，就多叫几个 AI 来 "开会"。写代码，可以让一个 AI 写、一个 AI 测、一个 AI 改；答问题，可以让几个 AI 分头查资料、再汇总投票。这就是当下火热的大模型多智能体系统（Multi-Agent System, MAS）。 但很快你会发现一个扎心的事实： 组队容易，排兵布阵难 。同一批 AI，谁打头阵、谁做总结、谁听谁的、信息怎么流转 —— 这套 "组织架构" 直接决定团队的战斗力。架构搭得好，1+12；搭得不好，几个 AI 互相 "抬杠"，还不如一个单干。 那么问题来了：这套 "组织架构"，能不能不靠工程师熬夜手绘，而让 AI 自己学出来？ 厦门大学 ASC 实验室团队给出了新答案。