MonoScale：通过单调改进扩展多智能体系统

近年来，基于大语言模型的多智能体系统（MAS）快速发展，通常利用路由器分解任务并分配给专用智能体。直接扩展智能体池易因路由器对新增异构、不可靠智能体的冷启动而导致性能崩溃。本文提出MonoScale，一种面向扩展的更新框架，主动生成少量智能体条件化熟悉任务，从成功与失败交互中收集证据，并将其提炼为可审计的自然语言记忆以指导后续路由。我们将顺序增强形式化为上下文赌博机问题，并采用信任区域记忆更新策略，确保在各轮次接入过程中性能单调非递减。在GAIA和Humanity's Last Exam上的实验表明，随着智能体池扩大，系统性能稳定提升，优于朴素扩展及固定池强路由器基线。