【论文精读(TDAG)】TDAG: AMulti-Agent Framework based on Dynamic Task Decomposition and Agent Generation

《TDAG：让大模型像人类一样灵活处理复杂任务》

---

写在前面

该论文发表在 Neural Networks（CCF B类） 针对LLM智能体在复杂现实任务中因错误传播和适应性不足导致的执行难题，论文提出了基于动态任务分解和智能体生成的TDAG框架，通过将任务分解为子任务并为每个子任务动态生成专用子智能体，显著提升了智能体在多样化场景中的适应性。同时，现有基准缺乏对复杂任务增量进展的细粒度评估，论文推出了ItineraryBench，以旅行规划为场景，设计了多层次任务和细粒度评分体系。代码和数据已开源，
相关链接：

• Github代码
• 论文DOI

现在的问题

LLM智能体在现实任务中的表现受限于以下问题：

1. 方法缺陷：任务分解后子任务固定，早期子任务失败会导致整个任务失败，如P&E方法的级联任务失败率高达34.78%。
2. 基准局限：现有评估（如AgentBench）多采用二元评分，忽略部分任务完成情况，无法准确反映智能体的增量能力。

现有的方案

现有方法主要包括：

• ReAct：通过迭代生成思想和行动完成任务，优点是简单，但长上下文任务中易出错。
• ADAPT：递归分解任务并分配子智能体，具备一定灵活性，但子智能体设计固定，难以适应动态场景。

---

Proposed Method: TDAG

TDAG框架通过动态任务分解和智能体生成解决上述问题，具体分为以下模块：

1. 动态任务分解

主智能体将复杂任务T分解为子任务序列(t1, t2, …, tn)，公式为(t1, t2, …, tn) = MainAgent(T)。

• 创新点：根据前序子任务结果动态调整后续子任务，公式为ti’ = Update(ti, r1, r2, …, ri-1)，避免错误传播。

2. 智能体生成

为每个子任务动态生成子智能体，包含工具文档生成和增量技能库两部分。

• 工具文档生成：优化原始文档，消除冗余和模糊描述，提升智能体理解效率。
• 增量技能库：子智能体完成任务后总结经验，存储为技能（格式：名称、细节、解决方案），通过SentenceBERT检索相似技能，持续更新以适应新场景。

3. 任务执行与更新

子智能体执行子任务，公式为ri = SubAgenti(t1, …, ti, r1, …, ri-1)，完成后更新技能库并调整任务列表，确保灵活性。

实验与结果

实验基于ItineraryBench（364个旅行规划样本），涵盖三种任务类型：城际旅行（Type 1）、市内旅行（Type 2）和混合旅行（Type 3）。
对比方法：ReAct、P&S、P&E、ADAPT。
核心指标：

方法	Type 1	Type 2	Type 3	平均分
ReAct	43.84	42.69	42.54	43.02
P&E	39.09	47.44	42.03	42.85
ADAPT	42.73	48.58	42.92	44.74
TDAG	49.78	50.96	46.51	49.08

典型案例：在规划上海到北京的旅行中，P&E因固定分解忽略火车票时间冲突失败，而TDAG动态调整子任务，成功率提升至45%，远超ADAPT的44%。

挑战与未来方向

当前局限：动态生成的子智能体在极复杂任务中可能因上下文不足而表现不佳。
未来工作：

• 引入多模态信息（如图像数据）增强上下文理解；
• 优化技能库检索效率，减少冗余技能存储。

总结

TDAG通过动态任务分解和智能体生成提升了LLM智能体在复杂任务中的适应性和效率，ItineraryBench的细粒度评估则更准确地反映了智能体能力，未来可扩展至电商、游戏等领域，推动智能体技术的实用化。