3257p

为什么当下的Multi-Agent，一旦把 Agent 数量加到 8 个以上，整体智商就会断崖式下跌。在很多人的设想中，群体智能应该像分布式算力。Agent 越多，分工越细，解决复杂难题的能力就应该线性跃升。 但现实是反着的现在的多智能体架构，只要集群规模突破 4~8 个节点，系统就会迅速陷入混乱，每个 Agent 的上下文窗口被海量的冗余发言撑爆；真正有价值的高质量洞察被废话冲垮；而只要其中某一个 Agent 偶尔幻觉，整个协作链路就崩塌。 人类社会能够协同成千上万名学者、工程师完成登月工程或开源 Linux，我们靠的是介质：是论文引用网络、Git 仓库、维基百科这种允许异步发布、检索与同行引用的共享信息底座。 最近，来自哈佛、MIT、Meta FAIR 等机构的学者们发表了一篇直击行业痛点的重磅研究Scaling Multi-Agent Intelligence with Substrate-Centric Coordination。它彻底抛弃了以 Agent 为中心的传统沟通思路，提出了一个颠覆性的框架 ScaleMAS。 论文首先严谨剖析了现有 Agent-Centric 系统的结构性败局：上下文开销随节点数量呈超线性爆炸，昂贵的 Token 预算全花在了上下文上。 此外现在的 agent 节点一多，信噪比急剧下降，关键事实被大量低质回复淹没。脆弱的依赖链条导致哪怕一个 Agent 宕机或格式出错，整体任务直接归零。 我们多 agent 中传统的共享黑板虽然能缓解单点崩溃，但根本解决不了阅读负担过重和信息稀释这两个根本问题。 ScaleMAS 的解法是把学术界的网络搬进多智能体。ScaleMAS 的核心哲学非常纯粹，就是让 Agent 之间完全禁止直接对话，它们唯一能打交道的就是一个异步结构介质。 系统仅开放三个极简原子操作：发布，就是向公共介质写入结构化信息；检索，就是带着问题去介质中搜索相关信息；调阅也就是根据特定消息 ID 直接查看详情。 他们的检索的算法设计很独特，检索结果不仅看字面相关度，还会参考这条信息被其他 Agent 引用的频次。 越是被多数 Agent 验证、引用的推论，在底座中的权重就越高；毫无营养的灌水信息由于零引用，会迅速沉底。 同时由于消息与 Agent 彻底解耦，哪怕某些 Agent 意外崩溃下线，它们留下的引用痕迹依然永久有效，新加入的 Agent 可以无缝协作。 他们实测了该系统可以正向扩展到 128 个 Agent。在覆盖复杂网络研究、代码工程基准上，ScaleMAS分别拿到了 55.1%、80.0%。 这篇论文对于多 agent 中信息流的理解很深刻，参照人类的信息索引和论文式的引用机制很新颖。结果也证明了这是极其有效的。可以说是一个多 agent 的里程碑之作了。 对于 agent 自进化、多 agent 感兴趣的可以看看。 arxiv：arxiv.org/abs/2610.16120