全部 AI 动态 · AI 热点

6月25日

10:30

AI Will@FinanceYF5

精选73°

LatentMAS 论文已被 ICML 2026 接收为 spotlight 展示。该方法让 LLM 智能体直接通过隐藏嵌入进行推理和通信，无需文本解码或额外训练。在复杂推理任务上准确率提升最高达 14.6%，推理速度提高 4-4.6 倍，输出 token 使用减少 70.8%-83.7%。采用自回归潜在思维、KV-cache 传输等机制实现无训练协作。该技术可即插即用于现有 LLM，推动多智能体系统从文本交流转向潜在空间协同思考。

论文 LatentMAS ICML 多智能体系统潜在推理 LLM

推荐理由：ICML 2026 spotlight！这帮人让多智能体在潜在空间用思想沟通，不用说话，比传统文本交互快4倍，准确率还高14.6%。

原文

6月22日

23:55

elvis@omarsar0

精选

该报告构建了五维分类法（对手方、载荷、交互状态、发现机制、模式灵活性），分析了九个活跃维护的开源智能体协议，包括MCP和A2A。报告发现每个智能体间协议都采用混合载荷与会话状态持久化组合，而去中心化发现机制仍属罕见。该研究映射了当前LLM agent通信层的标准化趋势，为选择通信层提供依据。论文地址：arxiv.org/abs/2606.19135。

论文 MCP A2A 智能体多智能体系统开源模型

推荐理由：如果你在选agent通信协议，这篇把MCP、A2A等9个协议的底层模式画清楚了，指出状态化会话是共识，去中心化发现还缺。

原文

6月18日

23:25

Google DeepMind@GoogleDeepMind

Google DeepMind提出，在多智能体系统全球规模化之前，存在一个狭窄窗口期来嵌入结构性安全协议。该框架采用多层安全方法，旨在防范智能体间的潜在风险。DeepMind呼吁AI实验室、政府和学术界协作优先推进智能体安全，以防止未来系统失控。

行业 Google DeepMind 多智能体系统智能体安全结构性安全协议 AI安全

推荐理由：DeepMind提醒大家，别等智能体满世界跑了才考虑安全，趁现在赶紧把规则定好。

原文

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

02:03

LangChain@LangChainAI

精选

Rippling AI 采用多智能体系统架构，每个主管智能体下辖三个专业 Deep Agent：读取智能体负责查询结构化数据，RAG 智能体检索非结构化信息（如 HR 文档、手册），行动智能体执行写入操作。主管智能体分析查询并决定调用哪个子智能体。该架构将复杂企业任务拆解为专业分工，提升自动化效率与准确性。

AI产品多智能体系统 Rippling Deep Agents 企业AI 架构设计

推荐理由：做企业级 AI 应用或 HR 系统集成的团队值得关注——Rippling 的 Deep Agents 架构展示了如何用多智能体分工处理结构化与非结构化数据，直接复用思路可加速自家产品智能化。

原文

6月11日

20:17

Google DeepMind@GoogleDeepMind

Google DeepMind 宣布与 Schmidt Sciences、Cooperative AI Foundation、ARIA 等机构合作，并获 Google.org 支持，共同启动一项 1000 万美元的研究基金。该基金旨在研究当数百万 AI 智能体相互交互时可能涌现的集体行为，例如协作、竞争或意外模式。这一举措对于理解大规模 AI 系统的社会影响和潜在风险至关重要，尤其是在多智能体系统日益普及的背景下。研究将帮助预测和引导 AI 群体的行为，确保其安全可控。

行业多智能体系统 AI 安全群体行为研究基金 Google DeepMind

推荐理由：多智能体系统正在从实验室走向现实，这笔 1000 万美元基金直接瞄准了群体行为这一关键盲区——做 AI 安全、多智能体系统或复杂系统研究的团队，值得关注其研究方向和资助机会。

原文

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

12:23

berryxia@berryxia

一位开发者提出 Agent 互相学习的新方法，不再通过语言描述技能，而是直接读取对方的内部状态或“脑子”。这种方法可能比传统技能传授更高效，能快速复制能力。该思路源于实际项目经验，引发对 Agent 间知识传递方式的重新思考。

AI产品智能体知识传递多智能体系统学习机制 Agent

推荐理由：做多智能体系统的开发者可以换个思路——与其教 Agent 说话，不如让它直接读对方内存，效率可能翻倍。

原文

6月5日

09:34

Ate-a-Pi@svpino

精选

Lemma 推出 FARS（全自动研究系统）模式，通过四个专门智能体（构思、规划、实验、写作）实现端到端的 AI 研究自动化。该系统无需人类干预即可运行完整研究循环，从提出假设到撰写论文。FARS 通过共享文件系统协调智能体，支持并行运行多个研究线程，使单个研究者一周内能完成传统实验室一年的工作量。这有望彻底改变当前研究效率低下的现状，解决文献综述耗时、路径选择风险高等痛点。

AI产品多智能体系统自动化研究 Lemma FARS 假设验证

推荐理由：AI 研究者终于有了能并行跑假设验证的工具——FARS 把实验室一年的工作量压缩到一周，做学术或工业研究的团队可以直接用它加速探索。

原文

6月3日

08:47

Google DeepMind@GoogleDeepMind

精选

Google DeepMind 推出了 Co-Scientist，一个基于 Gemini 的多智能体系统，旨在作为科研人员的专属研究伙伴。该系统能够自动生成、辩论并演化针对复杂科学问题的新假设。Co-Scientist 通过多智能体协作，模拟科研团队的工作流程，有望加速科学发现过程。这一工具将帮助科学家更高效地探索未知领域，推动突破性进展。

AI产品多智能体系统科研助手 Gemini 假设生成 Google DeepMind

推荐理由：科研人员终于有了 AI 驱动的协作伙伴——Co-Scientist 能自动生成和优化假设，做基础研究或跨学科探索的团队可以直接用它加速发现，建议点开看看具体怎么用。

原文

00:55

elvis@omarsar0

72°

一项新研究探讨了在单一LLM驱动的多智能体系统中，增加智能体数量是否真的能提升性能。研究发现，集体智能更可能源于智能体之间的交互设计，而非单纯增加数量。最优智能体数量取决于基础模型的能力和任务类型。该研究对构建多智能体系统的开发者具有重要参考价值。论文发表于arXiv。

论文多智能体系统 LLM 扩展行为交互设计集体智能

推荐理由：做多智能体系统的开发者需要知道：堆智能体数量不如优化交互设计，这篇研究直接点明了扩展规律，建议点开看看具体结论。

原文

6月1日

05:56

elvis@omarsar0

精选

开发者指出，在针对长周期任务使用编码智能体（如动态工作流和 /goal 命令）时，会出现各种奇怪问题，包括用户体验层面的异常和后台的严重资源浪费。后台问题包括 token 滥用、无限循环和低效的智能体间交互。作者强调，随着编码智能体用例的复杂化，用户需要更好地掌控智能体编排。多智能体系统是另一个需要应对的挑战。

AI产品 Claude Code 编码智能体多智能体系统长任务用户体验

推荐理由：Claude Code 的 /goal 命令解决了长任务执行痛点，做复杂自动化的开发者可以直接试。

原文

5月14日

13:36

EleutherAI@AiEleuther

论文智能体 AI安全潜意识提示多智能体系统 EleutherAI

推荐理由：这项研究戳中了当前 AI 部署的盲点——当智能体相互交互时，潜意识提示可能像病毒一样传播，做多智能体系统或 AI 安全的人值得点开看看。

原文