CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs

论文主要内容总结

本文提出了CodeAgents，一种基于结构化伪代码的提示框架，旨在解决现有LLM提示策略在多智能体环境中存在的token效率低、模块化不足、可扩展性有限等问题。该框架将多智能体交互的核心组件（任务、计划、反馈、角色、工具调用等）编码为带有控制结构（如循环、条件）、布尔逻辑和类型变量的模块化伪代码，将松散的智能体计划转化为连贯、可解释、可验证的多智能体推理程序。

通过在GAIA、HotpotQA、VirtualHome三个基准测试上的实验，CodeAgents展现出显著优势：相比自然语言提示基线，任务成功率提升3-36个百分点（其中在VirtualHome上达到56%的新state-of-the-art）；输入和输出token使用量分别减少55-87%和41-70%，验证了其在提升性能的同时优化token效率的能力。

论文创新点

1. 代码优先的多智能体提示：将复杂推理任务编码为模块化伪代码，在单一LLM中协调规划、推理、反馈等专用智能体，大幅降低冗余性。
2. 以token效率为核心指标：在提示设计和评估中明确优化token使用，在不牺牲推理质量的前提下高效利用LLM资源。
3. 技术创新增强表达性与效率：引入类型变量（减少错误）、控制流结构（支持动态推理）、可重用子程序（提升模块化），支持动态重规划。
4. 统一的多智能体与单智能体范式：通过结构化伪代码实现两种范式的统一，适应不同任务特征，兼顾通用性