文章主要内容总结本文聚焦于基于大语言模型（LLM）的多智能体系统在处理复杂多步骤任务时的高延迟问题，提出了名为M1-Parallel的框架以优化性能。该框架通过并行运行多个多智能体团队，利用事件驱动的异步通信模型挖掘不同的解决方案路径，从而实现延迟降低或任务完成率提升。实验结果显示：采用早终止策略的M1-Parallel可将延迟降低至原来的1/2.2，同时保持准确率；采用聚合策略的M1-Parallel能提高任务完成率，但会增加延迟；尝试鼓励多样化执行计划的策略，但未观察到比重复采样更优的性能。整体而言，研究证实了并行计划执行在优化高复杂度推理任务的多智能体系统中的潜力。创新点提出并行智能体与早终止策略：通过同时运行多个独立的多智能体团队，在首个团队完成任务时终止，实现延迟降低且不牺牲任务完成率。提出并行智能体与聚合策略：聚合多个团队的结果生成最终答案，以增加延迟为代价提高了任务完成率。探索多样化计划生成策略：对比了重复采样与多样化采样的效果，发现多样化计划未带来显著性能提升，可能因生成了包含不必要步骤的次优计划。翻译部分摘要基于大语言模型（LLM）的多智能体系统通过将复杂任务分解为可迭代规划、执行、观察和优化的子任务，在处理复杂任务方面展现出显著潜力。尽管这些系统效果显著，但由于现实世界的问题往往需要多轮迭代推理步骤，它们通常