ANTMAN: Adaptive Need Tracking for Multi-Agent Navigation in Large Information Spaces
Jerry Wang, Haibo Jin, Xiaopeng Yuan, Peng Kuang, Haohan Wang
cs.AI
2026-09-27
ANTMAN用可修订Need Graph按未解决问题派工人。上下文扩16倍时活跃协调只涨1.23倍,分区基线超过15倍,8B工人仍保住九成以上分数。
长上下文多智能体常按输入怎么切块来派工人。LongAgent一块文档一个member,CoA按段串行接力。空间变大,分区变多,工人数跟着涨。查询要的证据量没变,协调却跟空间绑死。就算相关证据已经找到,上下文拉长仍可能把成绩拉垮,答案还对位置敏感。
伊利诺伊大学厄巴纳-香槟分校的ANTMAN把运行时协调单元换成一张可修订的Need Graph:调度跟「还缺什么」走,不跟「切成几块」走。
信息空间先被确定性切成若干territory(领地),每块一张轻量WorkerCard,写清范围和摘要。底图是候选池,不是每轮全上的花名册。工人不必换模型或工具集,专长主要是范围专长,同一套搜索、查看、回证接口就能复用。
Need Graph才是调度状态。查询先拆成初始需求,节点记下解决状态、已收集证据、尝试历史和进展。循环是:
已解决节点上的证据再拿去合成答案。
活跃工人数不超过min{领地数M, ρ×实际需求数H(q)}。需求有上限时,把空间撑大只会扩大候选池。路由分两段:词法、精确匹配和稠密相似度经reciprocal-rank fusion筛卡片,orchestrator再决定派不派、派哪。附录写明,解耦的是工人参与,检索计算仍可能随空间涨。
全程GPT-4.1。ANTMAN-H协调器仍用GPT-4.1,工人换成Qwen3-8B。
多文档QA每套30题,三套宏平均EM/F1:ANTMAN .711/.814,S2G-RAG .700/.799,CoA .567/.743,LongAgent .433/.616,ANTMAN-H .622/.763。缺口主要在更难的MuSiQue:完整版EM .667,8B工人掉到.467。
Needle-in-a-Haystack PLUS式缩放,10题×早中晚位置,32K到512K:
| 方法 | 协调增长 | 调用增长 | 费用增长 | 512K F1 |
| LongAgent | 15.29× | 12.81× | 14.22× | .754 |
| CoA | 15.33× | 11.30× | 16.11× | .746 |
| ANTMAN | 1.23× | 1.21× | 6.90× | .840 |
32K时ANTMAN平均2.57个工人、27.47次调用、$0.077;512K时3.17个工人、33.10次调用、$0.533。工人几乎没涨,单问费用仍涨近7倍。
空间钉在512K、证据从1条加到16条时,工人5.0→8.0,调用35.5→86.2,费用$0.107→$0.293,回收和准确率都是100%。需求为1时,82%的工人动作跟目标证据无关。
RepoProbe-Python是8个大型Python仓库上的108题;SWE-QA-Pro用冻结的80题子集;GAIA-Text-103是103道纯文本工具题,搜索走Tavily。
| 方法 | RepoProbe | SWE-QA-Pro | GAIA-Text-103 |
| Iterative Sparse | 33.15 | 60.90 | 45.6 |
| ReAct+RepoGraph | 25.71 | 67.38 | - |
| SWE-QA-Pro Agent | - | 77.58 | - |
| OWL | - | - | 40.8 |
| ANTMAN-H | 34.10 | 74.60 | 57.3 |
| ANTMAN | 38.21 | 79.78 | 58.3 |
相对最强非基准专用基线分别+15.3%、+18.4%、+27.9%。ANTMAN-H保住完整版89.2%、93.5%、98.3%。GAIA落差几乎全在Level 3:完整版41.7,8B版25.0。直接满上下文的middle gap是-.181,ANTMAN是+.015。
同预算消融:去掉显式Need Graph的自适应重规划,512K F1从84.03掉到64.01(-23.82%),GAIA 40题子集从60.00掉到50.00。冻结初始图只剩40.32。关掉recovery,512K掉到60.12;关掉需求改写,GAIA掉到42.50。RepoProbe上ANTMAN每问$0.299、38.13次调用,S2G-RAG调用37.12次却只有22.87分,次数解释不了分差。
长上下文或多仓库agent可以养很大的候选工人池,真正开工的人按「还缺哪条证据」定。512K上LongAgent要290个member,CoA要78个,ANTMAN三个出头。工人换成8B,HotpotQA打平完整版,GAIA L1、L2几乎不掉,贵模型可以只留在协调器。
同一套Need Graph接到文档检索、代码结构导航、网页加Python三种接口,不按基准重写协调策略。自适应检索和自适应组队接到同一份运行时状态上,是能带走的设计。
代价清楚:512K单问仍要$0.533;RepoProbe比直接回答贵约45倍,分数从31.08到38.21。省的是工人头数,token账单没有同比例消失。
没有独立Limitations节。结论只说要做更丰富的信息底、更可迁移的需求表示,以及更好的修订和路由策略。
评测盘子偏小。多文档QA每套30题,缩放10个底层问题。需求缩放的证据是种进去的独立随机值,100%回收只说明人造针能跑通。GAIA和SWE-QA-Pro消融缩到40题子集,主表和消融表绝对分对不上。
协调器全程GPT-4.1。8B工人能干活,不等于小模型能当调度。附录划清:WorkerCard检索仍随领地数涨,解耦只管派了多少工人。低需求时82%动作是无关探索。GAIA只有一块领地,rerouting消融零变化。费用涨6.90×、调用只涨1.21×,这笔账没拆开。