AdaptOrch：在LLM性能趋同时代实现任务自适应的多智能体协调

随着不同供应商的大语言模型在基准测试中的性能趋于一致，传统的按任务选择最佳模型的方法已难以带来显著提升。本文认为，多智能体的协调结构（即如何组合、并行化和合成多个智能体）已成为决定系统性能的关键因素。为此，我们提出了AdaptOrch框架，该框架基于任务依赖图和经验推导的领域特征，动态选择四种经典协调拓扑（并行、顺序、分层和混合）。我们的框架包含三个核心贡献：(1) 提出性能趋同扩展定律，明确协调选择优于模型选择的条件；(2) 设计一种拓扑路由算法，将任务分解的DAG映射到最优协调模式，时间复杂度为O(|V| + |E|)；(3) 引入具有可证明终止保证和启发式一致性评分的自适应合成协议。我们在代码生成（SWE-bench）、推理（GPQA）和检索增强生成任务中验证了AdaptOrch，结果表明，即使使用相同的底层模型，拓扑感知的协调方法相比静态单拓扑基线提升了12-23%。我们的研究确立了协调设计作为独立于模型扩展的首要优化目标。