ICML 2025 | 多智能体的ChatGPT时刻？上交MAS-GPT实现工作流一键生成
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
本文第一作者叶锐，上海交通大学博士三年级，研究方向是大模型多智能体，联邦学习，博士导师陈思衡，上海交通大学人工智能学院副教授。
OpenAI将“组织级智能(OrganizationalAI)”设定为通向AGI的第五个重要阶段——期待AI能像一个高效协作的组织那样，处理复杂任务并协调大规模运作。多智能体系统（Multi-AgentSystems,MAS）正是实现这一目标的重要探索方向。
然而，构建能够支撑这种复杂智能的MAS并非易事，研究者们常面临结构繁多、Prompt调试耗时、难以解决通用任务等挑战……
如今，一种全新的方法出现了，由上海交通大学人工智能学院、上海人工智能实验室、牛津大学等机构联合推出的MAS-GPT，正式提出：生成式MAS设计范式，只需一句Query，就能“一键生成”一套可执行、组织清晰的MAS！
这意味着，构建MAS变得“像与ChatGPT聊天一样简单，一个问题直出完整多智能体系统”！MAS-GPT，正努力让这条通往AGI第五阶段的道路，变得更加平坦和高效。
该工作“MAS-GPT:TrainingLLMstoBuildLLM-basedMulti-AgentSystems”发表于国际机器学习大会ICML2025。
论文链接：https ://arxiv. org/abs/2503. 03686
代码链接：https ://github. com/MASWorks/MAS-GPT
模型链接：https ://huggingface. co/MASWorks/MAS-GPT-32B
生成式MAS设计：
一句话输入，自动生成MAS
现有MAS方法（如ChatDev、DyLAN、AFlow等）虽强大，但存在三个根本问题：
无适应性：MAS结构与提示词高度依赖人工，毫无适应性；
成本高昂：依赖多轮LLM调用来设计MAS，成本完全顶不住；
泛化性低：依赖于测试集对应的验证集进行优化，泛化性堪忧。
这些问题严重阻碍了MAS的广泛应用。以当前处理大规模并发用户请求的类ChatGPT交互系统为例，若其底层架构采用现有MAS范式，其可扩展性与鲁棒性将无法满足服务需求。
MAS-GPT如何破局？答案是：
将“设计MAS”彻底转变为一个语言生成任务！输入你的Query，输出就是一套可直接运行的多智能体系统！
这套生成的MAS，完全由Python代码优雅呈现：
Agent的提示词：Python变量，清晰明了
Agent产生回应：LLM调用函数，智能核心
Agent间的交互：字符串拼接，简洁高效
Agent工具调用：Python函数，扩展无限
从此，MAS不再“人写”，而是“模型写”！
如何教LLM“设计MAS”？
MAS-GPT的训练不是靠死记硬背，而是通过设计精巧的数据构造流程，让模型学会“针对什么样的Query，设计什么样的MAS”。
四步构建高质量训练数据：
1. 数据池构建（PoolConstruction）：广泛收集覆盖数学、代码、通用问答等多领域的Query，并汇集40+种基础MAS代码结构；
2. 数据对评估（PairEvaluation）：对每一个“Query-MAS”组合进行细致的自动化评估与标注
3. 数据对选择（PairSelection）：根据跨组一致性（Inter-consistency）原则，将相似的Query统一匹配到表现最好的MAS；
4. 数据对精修（PairRefinement）：根据组内一致性（Intra-consistency）原则，借助大模型改写MAS、添加推理解释，使其与Query逻辑高度贴合。
最终得到了11K条高质量数据样本，通过一次简单的监督微调（SFT）开源模型，便训练得到了MAS-GPT。
有了MAS-GPT，多智能体系统的推理过程变得前所未有地简单。
用户抛出一个Query，MAS-GPT一次调用生成专属MAS；该MAS立即执行并返回答案给用户，一步到位。
多项实验证明：
MAS-GPT不仅灵巧，还很强！
MAS-GPT的设计目标非常明确：一轮LLM推理即可生成任务适配的MAS。实验结果也不负众望。
研究团队在8个基准任务×5种主流模型上，系统对比了10多种现有方法，结果显示，MAS-GPT：
更准：MAS-GPT平均准确率全面领先，对比当前最强基线提升3. 89%！
更泛化：即使在训练时未见过的任务（如GPQA、SciBench）上也保持稳健表现！
更省：在推理过程中，MAS-GPT可以在几乎0. 5倍推理成本下，跑出比DyLAN、GPTSwarm等更好的效果！
兼容性强：MAS-GPT生成的MAS，无论用哪种LLM驱动，都能带来一致的性能提升！这意味着它具有极佳的“兼容性”和“普适性”。
还能进一步拓展推理大模型的能力边界
MAS-GPT生成的MAS不仅适用于ChatbotLLM，还能用来辅助更强的ReasonerLLM推理。
使用OpenAIo1和DeepSeek-R1等强推理模型+MAS-GPT结构，在AIME-2024数学挑战上：
o1+MAS-GPT提升了13. 3%
DeepSeek-R1+MAS-GPT提升了10. 0%
MAS-GPT真正具备将强模型“组织起来干活”的能力！
MAS-GPT的训练阶段的延展性和发展潜力！
除了在性能、适用性和使用友好上具有一定优势外，MAS-GPT的训练阶段的参数规模也有很大的探索空间，反应出极大的发展潜力！
不止会“套模板”，还能生成新结构！
通过深入的可视化分析，研究团队发现MAS-GPT远不止会“套模板”那么简单：
能够自动生成新颖的MAS
面对从未见过的任务，依然能给出合理的agent分工与协作方式
为每个MAS附上推理说明，解释“为什么这样设计”
真正做到了：不是背答案，而是学会设计！
MAS-GPT未来愿景
MAS-GPT提出了一个前所未有的思路：“为每个Query自动生成一个MAS”。理论上，领域内所有多智能体系统，都有可能被整合进MAS-GPT的训练数据中。这意味着，MAS-GPT能够站在巨人的肩膀上，博采众长，不断进化，生成越来越精妙、越来越强大的MAS。
正如LLM的发展路径所示，随着基座模型能力的持续增强和数据质量与多样性的不断丰富，MAS-GPT的未来也将不断进化。
或许在不久的将来，与你智能交互的不再仅仅是一个Chatbot，而是一个强大的MAS-GPT。它会洞悉你的每一个问题，为你量身打造最合适的智能系统——无论是简洁的单Agent，还是结构精巧的多Agent协作网络。
MASWorks大模型多智能体开源社区
MAS-GPT也是最近刚发起的大模型多智能体开源社区MASWorks的拼图之一。MASWorks社区致力于连接全球研究者，汇聚顶尖智慧，旨在打造一个开放、协作的平台，共同分享、贡献知识，推动多智能体系统（MAS）领域的蓬勃发展。
作为社区启动的首个重磅活动，MASWorks将在ICML2025举办聚焦大语言模型多智能体的Workshop：MAS-2025！
MASWorks社区期待全球广大智能体开发者和研究人员的贡献与参与。一方面贡献您的智慧和代码，获得更多曝光机会；另一方面，结识志同道合的伙伴，拓展您的学术网络，互帮互助，共同探讨，碰撞思想，共同塑造MAS的未来！
MASWorks地址：https ://github. com/MASWorks
MAS-2025地址：https ://mas-2025. github.io/MAS-2025/
©THEEND
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin. com
