MAS-on-the-Fly：在测试时动态适应基于LLM的多智能体系统

基于大语言模型（LLM）的多智能体系统（MAS）已成为解决复杂任务的一种有前景的范式。然而，现有研究通常依赖手动设计或“一刀切”的自动化方法，缺乏部署后的动态适应能力。受生物系统适应机制的启发，本文提出MASFly，一种新型的多智能体框架，能够在测试时实现动态适应。为实现系统生成的适应性，MASFly采用了一种检索增强的标准操作程序（SOP）实例化机制，利用自构建的成功协作模式知识库，使LLM能够为新查询组装定制化的MAS。在适应性执行方面，MASFly引入了经验引导的监督机制，其中专门的Watcher代理通过参考个性化经验池监控系统行为，并提供实时干预。大量实验表明，MASFly在TravelPlanner基准测试中实现了61.7%的成功率，表现出强大的任务适应性和鲁棒性。