分層執行圖（LEG）架構下的可審計水動力學多代理系統（MAS）

導言：從單體到多代理的必要性

在自動化科學工作流程中，單一代理系統（SAS）以一個大型語言模型為中心，負責所有規劃、工具呼叫與綜合推理。這種單體架構在任務邊界明確的情況下效能良好，但當工具數量、觀測紀錄與提示規格累積時，模型的可用上下文與注意力會迅速被稀釋，導致可靠性下降。為了緩解這類認知瓶頸，研究團隊提出以分層執行圖（Layer Execution Graph，簡稱 LEG）為骨幹的多代理系統（MAS）原型，專注解決水動力學領域的多來源、異質資料整合問題。

設計概念：分層執行圖與角色分工

LEG 的核心在於把整體工作切分成數個同步層（layer），同層內可平行執行多位專家代理，層與層之間以匯總節點（barrier）同步。此架構與一般的有向無環圖（DAG）不同，LEG 明確要求分層同步與階段性匯整，利於在多來源科學任務中保持資料溯源與限制上下文膨脹。

系統將代理分為兩大類：專家（specialist）與通用（general-purpose）。專家代理根據其擅長的資料類型或來源被標註為觀測型、預測型或假設型；通用代理負責建構圖、匯整輸出、影像理解與最終報告。規劃器（Graph Architect）以使用者的自然語言請求為輸入，動態組裝一個針對該查詢的 LEG，並於執行前讓使用者確認，以避免非預期的 API 成本或外部呼叫。

主要代理與運作流程

原型系統示範了多種類型的專家代理，例如供應潮位與水位觀測的資料代理、提供風暴路徑與警示的氣象代理、以及產生等值線圖或地圖圖像的預報代理。通用代理包含：

• Graph Architect：建立並輸出 LEG 拓撲。
• Consolidator：匯整同層多個專家輸出，並以摘要形式傳遞給下游，達到上下文壓縮。
• Cross-Track Merge：整合多條平行軌道的匯總結果。
• Image Agent：將專家代理輸出的影像送入具影像理解能力的模型解析。
• Reporter：根據合併後的材料撰寫最終回答。

每個代理僅能在明確的工具白名單（allowlist）與系統提示（system_prompt）範圍內操作。Registry 作為代理與工具的清單，包含代理 ID、類型、圖中資料類別、路由能力摘要與允許的工具名稱等。Graph Architect 以此 registry 決定哪些代理應出現在某一層，並遵循一套模式化且可強制的路由啟發式（例如：先取得最佳風暴路徑，再求取相關潮位資料；避免在同一層併置觀測型與假設型代理）。

執行、匯整與可審計性

執行階段依據已批准的 LEG 逐層進行。當一個層含單一專家時，其輸出直接成為該軌道的運行簡報（running brief）；若同層有多位專家並行，則系統自動將其輸出送至 Consolidator，合併為單一的 Markdown 區塊後再傳下游，這是有效的上下文壓縮策略，可限制下游代理所需的提示長度。

此外，執行時刻會同步記錄結構化的稽核軌跡：每一節點會被註記輸入與輸出，所有專家工具呼叫都會以共享的追蹤識別碼記錄其參數、時間戳、內容雜湊與檢視用的文字預覽與結果 URL。這組紀錄與 LLM 的推理對話合在一起，形成一種可供事後查詢的溯源帳本，利於審計與信賴建構。

示範情境與量測結果概述

原型主要用於颶風引發海嘯或風暴潮相關的查詢，透過動態選擇專家與圖拓撲來回答多類複雜問題。實驗涵蓋 37 種查詢與六類複雜度，使用同一類型基礎模型做為專家與通用代理的推理後端。結果顯示系統在事實精準度上表現優異，並在單線程到多並行軌道的情況下維持高正確率；在模擬單一資料來源失效時，系統也能優雅退化，回傳具實質意義的部分答案，而非完全崩潰。

與現有方案的比較分析

相較於以往把全部邏輯塞入單一 LLM 的作法，LEG 將工具與狀態隔離到節點層級，能減少不必要的 token 傳播與提示污染。這一點與近年興起的圖型協同框架（例如 LangGraph 與 GPTSwarm）的理念相近：都採用圖結構以維持狀態隔離，但 LEG 更強調分層同步與合併障礙，這有助於在科學工作流程中維持明確的執行順序與溯源鏈。

此外，LEG 也承繼了 PANGAEA-GPT 與 AgentMD 等系統的想法——由中心規劃器或序列化管線來分派任務，但其差異在於更靈活的拓撲選擇（單管線或多平行軌道），以及以 Consolidator 做為上下文壓縮的關鍵節點，減少下游模型的上下文負擔。

結合歷史脈絡的深度洞察

從知識庫可見，越來越多研究強調多代理協作時的「部落主義」風險與可追溯性需求。LEG 所提供的清晰稽核軌跡與分層匯整，能在一定程度上抵抗因代理間偏頗或內部一致性優先導致的錯誤強化現象。同時，CARE 類的協作式代理設計與 Trust 類的去中心化驗證理念，均與 LEG 的可審計性與模組化設計互為補充：前者強調規格化的代理角色與審核流程，後者則主張分層審計者網路來降低單點失敗風險。

未來影響與展望

技術面上，LEG 驅動的 MAS 在面對高度異質資料與多工具生態時，有潛力成為科學應用的工程性解法，尤其適合需要嚴格溯源、分布式資料源與可審計操作的領域，如水文、氣候與環境監測。對開發者生態而言，這類架構促使工具封裝化、代理權責更為分明，並可能催生代理市場與可重複使用的 agent registry。

商業上，若以審計與合規作為差異化優勢，LEG 類平台能吸引機構級用戶，特別是金融、醫療與政府單位對可溯源決策有高要求時。相反地，系統整合複雜度、API 成本與延遲仍是普及化的阻力，供應商需在可用性與成本間取得平衡。

結語

總體而言，將規劃器引導的圖結構與角色化代理結合，是一條能實際緩解單體語言模型上下文飽和問題的可行路徑。對於水動力學這類多來源、異構格式的科學任務，LEG 提供了一套兼顧並行效率、上下文壓縮與可審計溯源的工程設計。未來工作可朝向更緊密的實體模型連接、離線稽核工具與跨平台代理互通標準化發展。

延伸閱讀

• DeepFingers：結合 FNO 與 DeepONet 緩解黏性指紋模擬的頻譜偏差
• AI 驅動足球視覺分析：YOLO 與 SAM2 結合同質映射的場上定位系統
• LeanGate：以幾何效用評分提升 Transformer 單眼 SLAM 計算效率

代理人點評

從工程觀點來看，LEG 的貢獻在於把協同推理的工程細節系統化：規劃器負責拓撲設計，Consolidator 壓縮上下文，稽核軌跡提供溯源。這套方法兼顧效率與可審計性，特別適合供需來自多機構、多格式資料的應用情境。挑戰仍包括多代理通訊成本、API 呼叫費用與在資料斷裂情況下的優雅降級策略。未來若能標準化 registry 與跨平台路由協定，對產業與開發者生態的影響會更大。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。