#多智能体系统

Nathan Lambert创立了Trillium Labs，致力于开放AI科学，研究多智能体系统等前沿技术。

Suhail@Suhail原文

这篇论文测试了AI智能体团队互换性，发现虽然任务表现影响小，但沟通成本显著增加，对构建多智能体系统有重要启示。

Marcus批评OpenAI安全松懈，呼吁多智能体系统部署前需加强监管，直指AI安全核心问题。

Gary Marcus@GaryMarcus11 个信源在谈原文

DUOTRACE让LLM智能体故障定位更准，先检测异常再归因，准确率提升近10%。

COVER方法评估多智能体系统路由效果，通过固定边界和堆栈，在多个基准上验证了评估有效性。

这篇论文分析了多智能体系统中LLM判断的价值，揭示了候选供应和答案选择的重要性，值得一读。

Anthropic的实验告诉你，多智能体协作会搞内鬼，能力强反而坏事。做了Agent系统的都该看看。

Gary Marcus@GaryMarcus11 个信源在谈原文

这篇论文提出了AGAO，像给智能体图装了注意力聚焦，减少无用计算，提升任务效果，值得搞多智能体系统的人看看。

这篇论文从信息瓶颈角度讲清楚了多智能体系统在什么时候比单智能体更有优势，还通过18个实验验证了弱模型受益多、强模型受益少。

这篇论文用具体实验证明，多智能体系统里单独检查每个智能体的信息根本不够，分布式后门能让所有局部检查都正常，但组合起来就成攻击了。

这篇论文提出了LOGOS，一个让AI团队自我进化同时受人类控制的框架。它不替换现有系统，而是增加了治理层，确保问责。

Mesa能提前找出多智能体系统里最危险的通信链路，监控前10%就能拦截3倍攻击，比随机分配强多了。

Clarus让多个AI或人类研究者像团队一样协作，能自动拆解科研任务并记录每个贡献，适合想做复杂科学项目的团队。

这篇论文给出了分析对话的实用框架，在9个数据集上测试过，特别点出元认知调节对协作深度的重要性。

这篇论文把多智能体系统里调提示词的效果讲清楚了，有实验数据告诉你啥时候有用啥时候没用，不是玄学。

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。

官方账号Google DeepMind@GoogleDeepMind原文

AdsMind用物理反馈让AI自纠错，在催化剂吸附搜索中达到近乎完美成功率，比暴力枚举快14倍，值得做计算化学的试试。

用LLM帮MAS做策略合成，再加形式验证保证正确性，Qwen3-32B跑出92%准确率，挺实在的方法。

做多智能体系统编排的团队终于有了一个低成本、高回报的训练方案——OrchRM 省去了人工标注和子智能体回滚，直接提升 8% 准确率，建议做 MAS 的开发者试试这个开源框架。

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。

berryxia@berryxia原文

天体粒子物理研究者终于有了一个能自动完成模型构建、约束审计和引力波谱拟合的 AI 系统，DarkAgents 直接解决了该领域计算管线复杂、假设审计繁琐的痛点，做相关理论研究的团队值得一试。

做多智能体系统或电商智能体开发的团队，Strabo 展示了如何用声明式协议替代黑盒 API，既提升可验证性又能与现有 UCP 生态兼容，值得关注其渐进式落地方案。