Tensor-Coord：用多線性代數解決 LLM 多代理人協作衝突
大型語言模型在多代理人規劃時常面臨空間碰撞與資源爭奪等協調失效問題。研究人員提出 Tensor-Coord 框架，將多代理人的共同計畫表示為三階張量，利用 CP 與 Tucker 分解等多線性代數工具量化協調複雜度並精確定位衝突。透過將分析結果轉化為自然語言約束，引導 LLM 迭代地重新規劃。實驗證明該方法在多機器人配送任務中能有效提升計畫收斂率。
LLM 協作的痛點：協調失效
大型語言模型 (LLM) 在處理單一任務時表現優異，但在多代理人 (Multi-agent) 規劃時，各個代理人獨立生成的計畫容易導致空間碰撞、資源爭奪或時間死鎖。由於 LLM 缺乏一個統一的數學框架來驗證計畫的協調性，導致協作效率低下。
Tensor-Coord：將計畫視為張量
為了克服這個問題，研究人員提出了 Tensor-Coord 框架。該框架將 N 個代理人的共同計畫表示為一個三階張量 $T \in R^{N \times H \times A}$，其中維度分別代表代理人、時間步與動作。
透過使用 CP 分解 (Canonical Polyadic Decomposition) 與 Tucker 分解，Tensor-Coord 能識別出潛在的協調結構。其中，最小 epsilon-近似 CP 秩 $R^*$ 定義了可計算的協調複雜度量測指標 $CC(Pi) = (R^* - N) / N$。研究證明，當 $R^* = N$ 時，計畫是完全獨立且無衝突的。
精確定位衝突與迭代規劃
Tensor-Coord 透過計算殘差 $E = T - T_{R*}$ 來定義衝突分數，無需依賴特定領域的規則，就能在代理人對、時間步與動作之間精確定位衝突點。
最後，框架將 Tucker 分解產生的代理人角色、時間階段與動作集群轉化為自然語言約束條件，回饋給 LLM，讓其根據這些約束進行迭代地重新規劃，直到達成無衝突的計畫。
實驗結果：顯著提升收斂率
在多機器人配送任務的實驗中，Tensor-Coord 表現出色。在 2 個代理人的設定下，平均 1.4 次迭代後 100% 的案例能收斂至無衝突計畫；在 3 個代理人的設定下，平均 3.2 次迭代後 80% 案例收斂；而 4 個代理人的設定下，平均 4.0 次迭代後 60% 案例收斂。
延伸閱讀
- HiL‑Bench：以 Ask‑F1 評估 AI 代理人在資訊缺口時的求助能力
- ASMR-Bench：衡量 ML 研究程式碼審計與竄改偵測能力
- 合成資料與因果推論：分離式共變數生成與結果建模以降低 ATE 失真
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。
