ReActNet：推理时图工程编排多智能体，无需训练即提升协作

背景

多智能体系统日益依赖图结构通信来协调专用 agent；ReActNet 把编排从“静态拓扑”推进到“任务条件化时序图”。

核心要点

• 方法：训练无关的 ReActNet 把查询与一组角色专用 agent 编译成有向通信图序列，每帧对应一个推理阶段，边带自然语言指令。
• 执行：结构化消息传递，agent 整合历史状态与邻居消息，末位聚合器合成答案。
• 评测：在知识推理、数学、代码生成与 GAIA 式助手任务上稳定优于固定/学习型拓扑，且推理成本具竞争力。

为什么重要

有效的多智能体编排不只关乎“谁与谁通信”，更在于“何时、为何、如何流动信息”——ReActNet 把这点显式工程化。

关键事实速记

• 提交：2026-09-04；方法：推理时图工程。
• 特性：训练无关、任务条件化时序图。
• 优势：优于固定/学习型拓扑，成本可控。