Nexus：一种轻量级且可扩展的多Agent框架，用于复杂任务自动化

近年来，大型语言模型（Large Language Models, LLMs）的快速发展显著提升了多智能体系统（Multi-Agent Systems, MASs）的能力，使得系统不仅能够实现任务自动化，还能具备接近人类水平的推理能力。为实现这一目标，基于LLM的多智能体系统必须依托两大核心原则：（i）一种能够充分挖掘LLM在特定任务或相关任务集合中潜力的稳健架构；（ii）一种有效赋予LLM执行任务与高效管理信息所需能力的方法论。显然，预先设定的架构设计会限制特定MAS系统的可扩展性与领域适应性。针对上述挑战，本文提出Nexus：一个轻量级的Python框架，旨在简化基于LLM的多智能体系统的构建与管理。Nexus引入了三项关键创新：（i）灵活的多层级监督者架构；（ii）简化的任务流程设计；（iii）便捷的安装方式与开放源代码的灵活性——Nexus可通过pip轻松安装，并采用宽松的开源许可证发布，允许用户自由修改与扩展其功能。实验结果表明，基于Nexus构建的系统在多个领域均展现出业界领先的表现。在代码生成任务中，Nexus驱动的多智能体系统在HumanEval基准上达到99%的通过率，在VerilogEval-Human基准上实现100%的完美通过率，显著优于当前先进的推理型语言模型（如o3-mini和DeepSeek-R1）。此外，该架构在复杂推理与数学问题求解方面表现出卓越能力，成功解决了MATH数据集中所有随机选取的问题。在多目标优化领域，基于Nexus的系统成功应对了VTR基准套件中多个设计的复杂时序收敛挑战，平均实现接近30%的功耗降低，充分验证了其在实际工程场景中的有效性与实用性。