14
0Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。
如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。
合作邮箱：zhiwudazhanjiangshi#gmail.com
今天的主题是：
MetaCogAgent: A Metacognitive Multi-Agent LLM Framework with Self-Aware Task Delegation
Summary
多智能体大语言模型（LLM）系统在通过智能体协同解决复杂任务方面展现出了良好的前景。然而，现有的框架通常基于预定义的角色来分配任务，而没有考虑智能体是否能准确评估自身的能力边界，从而导致智能体在执行超出其专业范围的任务时表现出过度自信。
受到认知科学中元认知理论的启发，我们提出了 MetaCogAgent，这是一个多智能体 LLM 框架，其中每个智能体都配备了一个“元认知自我评估单元”（Metacognitive Self-Assessment Unit），用于在执行前评估任务与能力的匹配度。该框架带来了三项核心贡献：
自我评估机制：通过将语言化的不确定性与历史能力图谱相结合，来评估每个任务的置信度；
自适应委托协议：通过跨智能体评估，将低置信度的任务路由给更合适的智能体；
能力边界学习模块：通过控制论反馈，迭代地精细化每个智能体的能力模型。
在我们构建的 MetaCog-Eval 基准测试（涵盖 5 个认知维度的 700 个任务）上的实验表明，MetaCogAgent 实现了 82.4% 的任务准确率——比表现最好的路由基线高出 8.7%——同时比 AutoGen 减少了 5% 的 API 调用，比集成投票（ensemble voting）减少了 34% 的调用。消减实验（ablation studies）进一步证实，每个元认知组件都对系统整体性能做出了贡献。
原文链接：arxiv.org
