💡 站外导读：随着大模型应用深入，多智能体系统（MAS）成为解决复杂任务的关键范式。然而，传统MAS设计严重依赖人工经验，难以应对动态变化的复杂问题，且优化成本高昂。企业亟需一种能够自动设计、动态适应并持续进化的智能体框架，以释放AI潜能，应对真实世界的不确定性。Salesforce推出的MAS-Zero正是针对这一核心痛点，开启了无需人类监督的MAS设计新纪元。

MAS-Zero是 Salesforce 推出的多智能体系统（MAS）设计框架，能在无需人类监督的情况下自动设计和优化MAS。框架基于元级设计，在推理时动态地对每个问题实例生成、评估和改进MAS配置。MAS-Zero的核心在于元迭代过程，包括任务分解、生成对应的MAS实现及基于可解性和完整性的元级反馈。基于自验证从所有候选解决方案中选择最合适的结果。MAS-Zero在数学推理、研究生水平问答和代码基准测试中表现出色，且不依赖任何外部监督。

MAS-Zero的主要功能

• 自动设计多智能体系统（MAS）：无需人类手动设计智能体角色和通信协议，根据具体问题自动生成适合的MAS结构，提高系统对新任务的适应性和性能。
• 动态适应问题：在推理阶段针对每个问题实例进行动态的智能体组合和问题分解，让MAS更好地应对复杂多变的任务。
• 无需验证集监督：不依赖于预先标注的验证集调整和优化MAS配置，降低对数据的需求，提高系统的灵活性和实用性。
• 性能优化：基于元级设计和自验证机制，不断迭代改进MAS设计，提升系统在复杂任务上的准确率和效率，保持成本效益。
• 自进化能力：在推理过程中，jiyu 自我反馈和评估，自动学习和进化，逐步优化MAS的设计和性能，无需外部监督信号。

MAS-Zero的技术原理

• 元迭代（Meta-Iterations）：
  • 任务分解与MAS生成：将复杂问题分解为多个子任务，为每个子任务生成对应的MAS实现（用可执行代码形式）。将MAS设计视为代码生成问题，基于元代理（meta-agent）动态地调整任务分解和MAS配置。
  • 元级反馈：评估生成的MAS设计的可解性和完整性，基于执行MAS代码获取中间输出，分析输出判断当前MAS是否能有效解决问题。根据评估结果生成反馈，指导后续的迭代改进。
• 自验证（Self-Verification）：在多次元迭代后，从所有候选解决方案中选择最合适的结果。对比不同迭代产生的候选答案，结合一定的验证策略（如多数投票、排除无效答案等），确定最终的输出答案。
• 基于LLM的元代理：基于大型语言模型（LLM）作为元代理，赋予理解和生成自然语言指令的能力。元代理在元迭代过程中负责任务分解、MAS生成、反馈生成及最终结果的验证，与LLM的交互实现对MAS设计的优化和改进。
• 自我监督学习：整个过程不依赖外部验证集或人类监督，基于系统自身的执行结果和反馈信号进行自我监督学习。元代理根据中间输出的可解性和完整性来调整MAS设计，逐步提高系统的性能和适应性。

MAS-Zero的项目地址

• 项目官网：https://mas-design.github.io/
• GitHub仓库：https://github.com/SalesforceAIResearch/MAS-Zero
• arXiv技术论文：https://arxiv.org/pdf/2505.14996

MAS-Zero的应用场景

• 复杂问题求解：在数学、科学计算等领域，将复杂问题分解为多个子任务，提高求解效率和准确性。
• 自然语言处理：用在高级问答系统和文本生成编辑，生成高质量的自然语言处理结果。
• 软件工程：在代码生成、优化和软件测试中，将任务分解为多个子任务，提高软件开发和测试的效率与质量。
• 医疗健康：应用在疾病诊断和治疗方案制定，提高医疗决策的准确性和个性化水平。
• 教育领域：用在个性化学习和智能辅导，根据学生需求分解学习任务，由不同智能体提供定制化的学习路径和辅导内容，提升学习效果。