AI导哈

多智能体协作规划框架

一个结合多智能体协作规划和动态动作空间共演化的框架，用于复杂任务执行。

  • by jieyu679
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 jieyu679/RAG_Enhance_MCP

使用说明

协同进化动作空间的多智能体协同规划

此存储库包含一个新框架的实现，该框架结合了：

  1. 多智能体协同规划 （分解器精炼器调度程序）
  2. 动态行动空间与政策的协同演化 （动态MCP盒+DQN）

🎯 核心创新

创新1：多智能体协同规划

  • 分解者：将复杂的查询分解为可执行的子任务
  • 精炼器：通过反馈循环验证任务分解质量
  • 调度器：通过并行处理支持优化执行顺序

创新2：行动空间与政策的协同进化

  • 动态MCP箱：通过提取从10个种子MCP增长到100+
  • 动态DQN：通过动作嵌入适应扩展动作空间
  • 持续改进：通过经验，性能会随着时间的推移而提高

🚀 快速开始

安装

pip install -r requirements.txt

配置

编辑 config.yaml 设置您的Qwen3 API端点：

llm:
  base_url: "http://localhost:8000/v1"
  model_name: "Qwen3-14B-Chat"

运行演示

python demo.py

可视化结果

python src/utils/visualization.py

📊 预期结果

运行演示后，您应该观察：

  • 学习曲线：成功率从~60%提高到~90%
  • MCP增长：MCP盒从10个扩展到15+个MCP
  • 政策改进：DQNε从0.9降至~0.1

📈 实验评估

跟踪的关键指标：

  • 任务成功率
  • 剧集奖励
  • MCP箱尺寸
  • 代币效率
  • 执行时间

结果保存到 ./outputs/demo_results.json

🏗️ 项目结构

├── src/
│   ├── planning/          # Multi-agent planning (Innovation 1)
│   ├── execution/         # Dynamic MCP selection (Innovation 2)
│   └── core/             # Data structures and utilities
├── data/                  # Seed MCPs and test queries
├── outputs/              # Results, models, and logs
└── demo.py               # Main demonstration script

📄 引用

如果您使用此代码进行研究，请引用：

@inproceedings{yourname2025multiagent,
  title={Multi-Agent Collaborative Planning with Co-Evolving Action Spaces for Complex Task Execution},
  author={Your Name},
  booktitle={International Conference on Machine Learning (ICML)},
  year={2025}
}

📧 联系

如有疑问，请联系：your.email@domain.com

相关 MCP