[논문 리뷰] Unified-MAS: Universally Generating Domain-Specific Nodes for Empowering Automatic Multi-Agent Systems

Hehai Lin, Yu Yan외 7명|arXiv (Cornell University)|2026. 03. 23.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

논문은 외부 지식으로부터 도메인별 노드를 합성하고 perplexity-guided 보상으로 이를 최적화하는 오프라인의 두 단계 프레임워크인 Unified-MAS를 제안합니다. 이를 통해 지식 집약적 도메인에서 Automatic-MAS 성능을 향상시키고 비용을 감소시킵니다.

ABSTRACT

Automatic Multi-Agent Systems (MAS) generation has emerged as a promising paradigm for solving complex reasoning tasks. However, existing frameworks are fundamentally bottlenecked when applied to knowledge-intensive domains (e.g., healthcare and law). They either rely on a static library of general nodes like Chain-of-Thought, which lack specialized expertise, or attempt to generate nodes on the fly. In the latter case, the orchestrator is not only bound by its internal knowledge limits but must also simultaneously generate domain-specific logic and optimize high-level topology, leading to a severe architectural coupling that degrades overall system efficacy. To bridge this gap, we propose Unified-MAS that decouples granular node implementation from topological orchestration via offline node synthesis. Unified-MAS operates in two stages: (1) Search-Based Node Generation retrieves external open-world knowledge to synthesize specialized node blueprints, overcoming the internal knowledge limits of LLMs; and (2) Reward-Based Node Optimization utilizes a perplexity-guided reward to iteratively enhance the internal logic of bottleneck nodes. Extensive experiments across four specialized domains demonstrate that integrating Unified-MAS into four Automatic-MAS baselines yields a better performance-cost trade-off, achieving up to a 14.2% gain while significantly reducing costs. Further analysis reveals its robustness across different designer LLMs and its effectiveness on conventional tasks such as mathematical reasoning.

연구 동기 및 목표

• 현재 지식 집중형 도메인에서 도메인 priors 부족으로 Automatic-MAS의 한계를 식별합니다.
• 도메인별 노드의 구현을 토폴로지 조정으로부터 분리하기 위해 오프라인으로 도메인별 노드를 합성합니다.
• 강건한 도메인 인식 노드를 생성하기 위해 검색 기반 노드 생성과 보상 기반 노드 최적화를 포함하는 2단계 프레임워크를 개발합니다.
• 생성된 노드를 통합하면 성능이 향상되고 여러 특화 벤치마크에서 비용이 감소함을 입증합니다.

제안 방법

• 작업 샘플에서 다차원 도메인 키워드를 추출하고 외부의 개방형 지식(Google, GitHub, Google Scholar)을 검색하며 전략 기반 프롬프트로 초기 도메인별 노드를 합성합니다.
• 보상 기반 노드 최적화: 노드 추론을 궤적으로 간주하고 perplexity 기반 보상을 사용해 병목 노드를 평가하고 반복적으로 정교화합니다.
• Perplexity 기반 목표: J(Pθ,y,q,A_t) = -log(PPL(y|q,A_t)); 값이 클수록 예측 가능도가 높은 것을 나타냅니다.
• 각 노드에 대한 개선 점수와 일관성 점수를 계산해 노드 품질 점수 S_t를 형성하고 반복 최적화를 이끕니다.
• 유효성 샘플의 평균 보상으로 병목 노드 v*를 식별하고 K 에포크에 걸쳐 내부 구현을 정제합니다.
• 통합자 다이내믹: 오프라인 노드 합성이 기존 Automatic-MAS 벤치마크에 feeds되어 성능-비용 트레이드오프를 평가합니다.

실험 결과

연구 질문

• RQ1 오프라인으로 생성된 도메인별 노드가 지식 집중형 도메인에서 Automatic-MAS의 성능을 향상시킬 수 있는가?
• RQ2 perplexity-guided 보상 최적화가 합성 노드의 내부 로직을 안정적으로 강화하는가?
• RQ3 Unified-MAS가 서로 다른 디자이너 LLM에 대해 견고하고 비전문 도메인(예: 수학)으로 일반화될 수 있는가?
• RQ4 도메인별 노드 라이브러리를 기존 MAS 벤치마크에 추가했을 때 성능과 비용에 어떤 영향이 있는가?

주요 결과

• Unified-MAS는 4개의 특화 벤치마크에서 일관된 성능 향상을 보여주며 평균 최대 14.2%의 향상을 달성합니다.
• 도메인별 노드를 통합하면 벤치마크 전반의 비용이 감소합니다.
• 이 접근법은 서로 다른 Designer LLM(gemini-3-pro, gemini-3-flash, GPT-5-mini 등)에 대해 견고하며 수학과 같은 일반 도메인으로의 일반화가 가능합니다.
• Perplexity-guided 최적화가 노드 품질을 점진적으로 개선하며 에포크를 거치며 병목이 정제됩니다.
• 도메인 기초 지식 없이 수행되는 동적 노드 생성 방법은 불안정성을 보이는 반면, Unified-MAS는 안정적이고 도메인에 뿌리내린 개선을 제공합니다.
• 정성적 분석은 Unified-MAS가 피상적인 앙상블이 아닌 구조화된 전문가-유사 파이프라인(예: 사법 워크플로우)을 생성함을 보여줍니다.