AgentPrune：开源多智能体通信优化框架，无缝兼容AutoGen，让对话成本直降95%！

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

🎯 "智能体聊爆服务器？这个框架让AI对话成本砍到脚踝价！"

大家好，我是蚝油菜花。当开发者还在为智能体对话的API账单瑟瑟发抖时，这个来自同济与港中文的黑科技正在重构多智能体通信规则！

你是否经历过这些窒息时刻：

今天要解构的 AgentPrune ，正是破解这些难题的「通信手术刀」！这个ICLR'25收录的框架用三大创新重塑多智能体协作：

已有团队用它处理千级智能体协作任务，接下来将揭秘这个通信优化的底层逻辑！

🚀 快速阅读

AgentPrune是同济大学联合香港中文大学研发的多智能体通信优化框架，其核心突破在于将复杂对话关系建模为时空拓扑网络。该框架通过动态分析智能体间的信息交互模式，智能识别冗余或有害的通信内容。

基于参数化图掩码技术，AgentPrune能够在训练初期完成通信拓扑优化，生成精简高效的对话路径。实验显示，在数学推理、代码生成等任务中，该框架仅消耗传统方法5.6%的成本即可达到同等性能水平。

bash 复制代码

conda create -n agentprune python=3.10
conda activate agentprune
pip install -r requirements.txt

在dataset目录下按以下结构存放数据：

kotlin 复制代码

dataset
└── mmlu
    └── data
└── humaneval
    └── humaneval-py.jsonl

在.env文件中填写：

python 复制代码

BASE_URL = "" 
API_KEY = ""

bash 复制代码

python experiments/run_mmlu.py --agent_nums 6 --mode FakeAGFull --batch_size 4

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦