#多智能体协作
Stanford 拿 5 个模型实测发现，多个智能体抢共享资源时互相覆盖，Opus 5 团队只拿到 30% 价值，单智能体能拿 64%，做多智能体系统前建议先看看。
Stanford 和 Together AI 的新论文，智能体别再投票吵架，学15道题分工互检，3个模型从48.8%干到66.7%。
idoubi 在 Douchat 里接入 Jev，让群里多个 Agent 自己选 Leader、分工干活，挂了还能自动替补，讲了不少落地细节。
UIUC的汪浩瀚团队搞了个新项目，叫「协调式智能体生物学中心」，就是让AI模型像研究团队一样分工合作，解决单个模型做不了的复杂生物学问题，挺有意思的。
Denis Yarats分享了Perplexity在多智能体协作方面的进展，本地模型作为远程模型的门户，可以显著提升性能并降低成本，如果你对这一领域感兴趣，不妨私信他了解更多。
yetone 开源了 Cumora，把 AI 拉进 Slack 式群聊当同事，还能接本地 Claude Code，想玩多智能体协作的可以试试。
如果你受够了在不同AI间切来切去，Bloome 让你把 Claude、ChatGPT、DeepSeek 都拉进一个对话，还能让智能体互相挑错改稿，桌面版用着真像团队开会。
Replit CEO 直接展示了 AI 编程的下一代范式——循环式多智能体协作，做 AI 开发或自动化工具的团队值得参考，一句话就能驱动复杂工作流。
做多智能体系统或合规 AI 架构的团队，终于有了一个能在不暴露数据的前提下实现跨组织语义路由的方案——SS-ZKR 直接解决了 A2A/MCP 协议栈中的隐私空白，值得关注。
做大型代码迁移或复杂项目的开发者，Dynamic Workflows 能让你从手动拆分任务中解放出来，建议在自动模式下试试效果。
多智能体并行协作是当前 AI 落地的关键方向，做虚拟世界构建或复杂任务编排的开发者值得一看，能直观感受 Antigravity 的并行执行能力。
这篇综述把代码在智能体系统中的角色从“输出”提升到了“基础设施”层面，做智能体框架设计或工具链开发的团队值得一读，能帮你理清当前方法的脉络和未来方向。
理论物理研究者终于有了一个能真正帮上忙的AI工具——physics-intern通过多智能体协作将难题拆解，效果远超单一模型。做科研自动化的团队值得关注这个框架的设计思路。
多智能体协作的「黑箱」问题终于有了直观解法，做复杂自动化或智能体编排的团队可以直接用这个仪表盘替代 SSH 查日志，提升调试和运营效率。
该事件展示了强化学习在复杂博弈中的突破，OpenAI Five 从 1v1 扩展到 5v5 团队对抗，表明 AI 可迁移学习策略能力。对 AI 从业者而言，这验证了自我博弈训练范式的有效性，并为多智能体协作研究提供了基准。