GPT还是DeepSeek？不如全都要！南洋理工、IDEA等提出首个多智能体系统LLM Routing框架...

独木不成林，随着基于大型语言模型（LLM）的智能体（agents）的发展，人们愈发意识到单个 LLM 和 Agent 的局限性。受到人类团队分工协作的启发，将多个 LLM 驱动的智能体组合成一个团队，能够更有效地解决复杂问题。然而，使用多智能体系统进行推理时，你是否遇到过这样的问题：

• 模型选择困难症，大模型“杀鸡用牛刀”，小模型效果一言难尽？

• 针对各类问题设计智能体协作模式和角色分工而绞尽脑汁？

• 想动态调配 LLM 资源，却不知如何平衡性能与成本？

别担心！多智能体界的“调度员”来了！由 IDEA 联手同济大学、武汉大学、南洋理工大学团队提出的 MasRouter，首次将协作模式选择 、角色分配和大语言模型调度整合成智能路由框架，为每个任务定制最佳智能体团队！

相关论文

论文标题：

MasRouter: Learning to Route LLMs for Multi-Agent Systems

论文链接：

https://arxiv.org/abs/2502.11133

代码链接：

https://github.com/yanweiyue/masrouter

背景介绍

考虑这样的两个编程问题：

• 编写 python 代码统计字符串的长度

• 从后端数据库到前端网页全面实现一个视频网站

很显然，上面两个任务的复杂度天差地别，前者只需要一个最简单的 LLM 便能很好解决，使用大且复杂的模型会造成不必要的开销；而后者则需要最先进的模型和复杂的多智能体分工、检查和迭代优化。

类似的情况在生活中经常出现，大模型多如牛毛，推理方法更是浩如烟海，如何选择合适的 LLM、协作模式以平衡效果和开销，是一个巨大的挑战。

近年来，在单智能体领域，已经有许多有效的 LLM routing 方案为不同问题动态选择 LLM。然而，单智能体能力有限，当我们希望用多智能体系统解决复杂问题时，依然会陷入选择困难症。

传统的 LLM 路由方法主要针对单智能体场景，无法应对多智能体系统中的新问题：1）如何确定多智能体协作模式；2）如何为不同的智能体分配个性化角色；3）如何为不同智能体分配合适的