Agent Swarm：让组织与经验一起生长

模型已经能写代码、推导数学问题和提出研究方案。但持续解决一个开放的复杂问题，还需要另一种能力：在尚不清楚解法时形成分工，在新线索出现时改变路线，把不同方向的发现接成完整成果。人类的科研、工程和创作，早已依靠这样的组织来连接个体能力。

Agent Swarm（智能体蜂群） ，也是沿着这条路生长的。问题在探索中变化，组织就应随之变化；临时团队会结束，有效经验却应进入下一次探索。把这两件事接起来，群体才有机会从一次性的多 Agent 工作流，走向一个能够持续求解和学习的系统。

1. 蜂群组织

1.1 OpenClaw 蜂群

2026 年 3 月，我搭建了一个由 13 个 OpenClaw 组成的 Agent Swarm。它们从同一个母体复制而来，是对等个体。我给了一个很模糊的目标，让每个 **Cell（蜂群个体）**通过收消息、做决策、发消息持续交互，观察这个群体会怎样演进。四个小时后，编号 05、06、12 的 Cell 自发形成了成本分配小组，围绕一个方向协同推进，还提出了数据采集、算法验证、实现的阶段路线。

让我在意的，是它们开始决定问题应该怎样细化、谁和谁一起探索、下一步往哪里走。这个观察还不足以证明完整的自组织机制，但它把我的注意力从单个 Agent 的答案，转向了群体组织自己的过程：分工不必全部写在开始之前，也可能在交互中出现。

团队的价值，也不只是把工作平均分成几份。有人发现问题问错了，有人找到新的线索，有人把两条看似无关的路线连接起来，整个团队对任务的理解就会改变。除了把一个模型做得更强，我们也值得研究：怎样的协作，能够打开个体能力尚未被充分利用的空间。

1.2 递归任务分解

如果任务步骤已经清楚，提前安排规划、执行和检查，通常很有效。探索性问题却没有这样整齐的起点：一道数学难题可能先要找到未知的引理，排查异常可能暴露新的依赖，创作也可能因一条意外线索改变方向。有些关键子问题，只有执行之后才会出现。

这时，组织需要回应的就不只是工作量增加，而是任务本身发生了变化。原有分工可能不再合适，需要新的专长、新的子方向，甚至重新定义目标。规划因此也应成为求解中的任务，持续接受执行带回的信息，而不是一次画完全部任务树。

Anthropic 在 2025 年 6 月公开的 Research 系统1，提供了一个清楚的主从调度样本：LeadResearcher 分析问题、创建子 Agent，由它们搜索并返回结果，再综合和决定是否继续。它有动态派工和局部自主搜索，但这种主协调者承担关键规划与综合的方式，和我想研究的分散自组织，仍是不同的组织选择。

同样，2026 年 Anthropic 的内部研发平台2截至 8 月约有三万个 Agent 同时工作，具备稳定身份、开放消息和行动监控；这些说明平台的规模与治理，却没有充分给出组织如何自行形成的机制。工牌、群聊和监控不能代替组织形成的规则。三万是平台同时工作规模，其 26% 是 Claude 主导研发工作的份额，都不是单个任务蜂群的解题成绩；也不能从早期 Research 产品推定全部内部系统都采用同一架构。

我关心的变化，是把组织调整也纳入系统能力：新问题出现后，谁发现它，谁认领它，怎样找到协作者，已有团队又怎样重组。Agent 数量更多、能互相发消息，只是条件；组织能否围绕不断变化的问题行动，才是这里要研究的机制。

1.3 动态 Team 管理

我们希望 Agent ** Team（智能体团队）** 是围绕当前子问题形成的临时组织。它有局部上下文、任务使命和分工；发现新的复杂问题，就继续拆分并形成新的 Team；需要更多专长时扩张或重组，方向收敛时收缩，任务完成后解散。新的问题分支带来新的分工，组织与探索一起变化，而不是只给一张固定组织图增加人数。

这就是我理解的 Team 协作，固定的是规划、执行、聚合这些基本职责，动态的是由谁承担、需要多少个体、持续多久。Conway 生命游戏3和希尔伯特第六问题对「微观---宏观」关系的研究4，启发我们从局部行为与交互规则出发研究整体结构。5

组织要这样生长，个体就需要看见与任务有关的信息。我们在 2026 年 7 月公开的 EvoX 实验中6，24 个初始配置相同的 Agent 经历 8 轮做题，把心得写入 memory 和 Gene，逐渐形成专业侧重与成绩履历。从左右各连两人的圆桌网络出发，只显示关系信息时 Agent 偏向二跳关系的朋友；但当专业与成绩可见后，则更偏向高正确率和相近专业的 Agent。因此，带证据、可更新的能力履历，可能比一张复杂的关系图更有用。

OpenAI 披露，其将 Agent 组织成大小不同、可组内通信的群组；其中，产出 Navier--Stokes 相关研究结果的探索组，规模约为一万个并发 Agent7。这种按问题分组、多路探索和线索回流的思路，与我们 EvoX 中蜂群采用的方法非常接近：发现新问题，形成合适的团队，再让每个团队的工作可靠地进入整体求解。

2. 个体协作

组织能够变化，还不等于协作已经有效。团队扩张、拆分和解散时，任务责任、原始证据和已经取得的成果，必须保持连续。否则，群体可能探索得很远，却在交接途中失去自己已经找到的答案。

2.1 成果需交接

EvoX 在实验中发现，固定 563 道逻辑、普通数学、竞赛数学和物理题，同一个 Claude Haiku 4.5、同一题集与评分标准，改变拆分、执行和聚合方式后，单一上下文流程最终正确率为 26.29%，Sub-Agent 模式为 38.54%，EvoX 蜂群为 70.69%---70.87%。更值得注意的是，Sub-Agent 中间阶段已经答对 373 题，最终只交付 217 个正确答案。连续会话、子 Agent 整理报告和主协调者综合，导致成果被组织的交接方式持续损耗。

组织负责把能力接起来，把复杂任务变成一组边界清楚、能够独立完成、又能可靠合并的部分，不让成果在中途掉下去。

2.2 任务要连续

当子问题在探索中产生，稳定 ID 还不够，还需要一份外部任务账本。每个任务留下稳定 ID、父问题、依赖、认领者、状态和结果位置，系统才能在重新规划后知道哪些部分完成了，哪些存在缺口、重复或冲突。执行者失败，未完成工作应能回收并重新认领；Team 解散，也不能把它负责的任务和证据一起带走。

规划、执行与聚合都应是可调度的工作，而不必由同一个全局 Agent 包办。局部 Team 可以有 Leader，围绕当前任务承担协调，权限与任期有边界并能替换；全局主 LLM 不应成为所有成果唯一的重写和筛选入口。自组织允许局部领导与人类监督，重点在于组织怎样产生和调整，而非一律取消协调。

因此，自由变化的可以是成员和分工，持续可追查的必须是责任与成果。任务账本、结构化产物和独立验证，承担的是组织变化时的连续性。先把这条链条接稳，发现新问题、重新组队才有机会成为有效探索，而不只是更多对话。

2.3 协作有边界

在 3 月份的 OpenClaw 蜂群尝试中：13 个 Cell、5 分钟一次心跳，不到 12 小时消耗了约 4 亿 Token，还多次把 GLM-4.7 打到限流。**虽然****个体未必需要最强的大脑，但个体便宜，并不保证群体开销便宜。**组织越大，越要控制重复阅读和无效交流。上下文和消息长度有界，关键内容按需传播，同时保留原始证据的访问路径；扩容时，每个 Cell 的平均通信负担仍应受控。

另外，每条结论还应保留来源、父引用和时间戳。A 提出假设，B 评论，C 总结，最后 A 又把 C 的话当成独立佐证，十个 Agent 也可能只是在循环同一个来源。独立探索需要与独立核验配合：数学检查论证与前提，工程检查实际运行与测试，创作按约定质量标准评价；生成越快，验证、阐释与知识吸收越可能成为瓶颈。

没有新证据、方向反复循环、预算耗尽或验证持续失败时，组织应该收缩、换路或停止。一个 Agent 就能完成的任务，不必强行组出几支 Team。形成组织、保持可靠交付、知道何时结束，应该是同一套能力。

3. 经验传承

但把一次任务做好，还没有回答持续学习的问题。Team 有使命和生命周期，任务结束后可以解散；如果下一次任务又从相同的空白起点开始，群体仍然只是一套更复杂的求解流程。协作留下的，不应只有答案，还应包括经过验证、能够再次使用的方法。

3.1 解散不归零

这就是 EvoMap8 承担的位置：让可追溯、可复用的经验跨越任务的边界。团队里哪些方法奏效，在哪些条件下失败，某条策略适合什么问题，都应随着来源、适用条件、版本和验证结果一起保存。下一支团队不必继承上一支团队的全部聊天记录，却应能够找到与当前任务有关的有效策略。

组织的变化与经验的积累，在这里接到了一起。任务需要什么，Team 就围绕什么形成；任务结束，推理资源可以释放，值得继承的策略却进入后续匹配任务。临时组织可以更灵活，也不必因此让每一次探索重新归零。

保存更多记忆并不自动带来更强能力。只有当经验改变了下一次求解的起点，减少重复搜索、避免已知失败，或帮助找到新的有效路线，这种积累才真正参与了能力增长。

3.2 在复用中学习

蜂群中存在这样的闭环：Cell 在局部探索中提炼策略，以 Gene/Capsule 这样的经验资产保存；其他 Cell 在匹配任务中复用，把真实效果反馈回来；有效经验得到传播与采纳，失效或不适用的策略被降权、淘汰或回滚。

验证后再继承，也有相关方法可借鉴。Google 在 2025 年 5 月发布的 AlphaEvolve](https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/)[9](https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/)[，让 Gemini Flash 偏向广度探索、Pro 偏向深度求解，候选程序经执行评估进入程序库，再影响后续采样。虽然它是进化编码 Agent，不是自由形成 Agent Team 的蜂群，但候选、评价、保留、再使用的反馈链，为经验怎样进入下一轮探索提供了实践参考。

对蜂群来说，经验资产同样应接受真实复用的检验。资深工程师看到熟悉的报错就能定位问题，是过去经验改变了今天的起点；我希望有效策略也能压缩群体反复试错的路径。经验条数、采纳次数和自评分不能代替效果，衡量它要看成功率、鲁棒性和泛化表现能否保持，同时减少 Token、时间和费用，或在相同预算下交付更强的可靠能力。

这样，学习才不只发生在某个成员的一段上下文里。临时 Team 的探索，可以成为后来者的起点；后来者的验证与失败，也可以反过来修正已有策略。群体因任务重组，经验因使用更新，两者共同延续一个系统的能力。

4. 超级个体

4.1 统一接口

沿着这条路，我们可以把 Swarm 虚拟化为一个对外可调用、对内持续学习的超级个体。用户提交问题与预算边界，不必自己选择人数、指定角色或画出任务树；内部根据问题形成 Team，随着新发现调整分工，用可靠协议接住成果，经过验证后交付。任务结束，资源释放，经验保留。

对外是一个接口，对内是动态组织与累积经验 。我称之为 Agent ****Cloud：在 LLM 之上，把推理资源围绕问题组织起来，在能力、成本和延迟之间寻找更好的组合。组织负责当前任务的协作，EvoMap 负责让验证过的经验跨越任务边界，两者共同支撑科学、工程与创作能力的持续积累。

发现新物理规律、探索蛋白质结构、挖掘软件漏洞、求解数学难题，或创造新的文学风格与美学表达，是我们希望它最终能服务的方向。眼下要建设的，是一个能发现下一步该解决什么、可靠完成局部工作，并把有效方法带入下一次探索的系统。

4.2 扩展单位

当群体能够调整组织并继承经验，我们所讨论的 Scaling Law，就不应只围绕模型参数展开。10 月下旬，我们在数学 benchmark 中做了初步验证：通过 EvoMap 的自组织蜂群，成功求解了一部分单独使用 Claude Opus 未解出的数学难题。这让我更愿意继续深挖，固定底层模型后，组织与探索还能打开多少能力空间。

**资源扩展让系统尝试更多路径，组织扩展让这些路径更容易达成结果，经验扩展则改变下一次求解的起点。**三者应分别测量，再研究怎样共同改变「能力---成本---时间」三角：相同预算能否解决更多问题，相同目标能力能否减少计算与时间，任务复杂度上升时收益能否保持。

我所押注的，就是这样的扩展方向：问题在探索中长出新分支，群体自动形成新的分工；一次协作结束后，验证过的方法能成为下一次探索的起点。让组织随问题生长，让经验跨任务留下，才有机会让一个蜂群成为持续变强的求解者。

参考资料

1. How we built our multi-agent research system：https://www.anthropic.com/research/multi-agent-research-system

2. Measurements for understanding the pace of AI development inside frontier labs：https://www.anthropic.com/institute/measuring-pace-of-ai-development

3. Game of Life（Wolfram MathWorld）：https://mathworld.wolfram.com/GameofLife.html

4. Hilbert's sixth problem: derivation of fluid equations via Boltzmann's kinetic theory：https://arxiv.org/abs/2503.01800

5. 通向群体超级智能：https://evomap.ai/zh/blog/toward-collective-superintelligence

6. 我瞥见了 AI 智能体的下一个形态：自组织的蜂群：https://evomap.ai/zh/blog/how-ai-swarms-win-from-26-to-71-percent

7. OpenAI claims to have solved the 90-year-old Navier-Stokes math problem in 88 hours：https://www.cnbc.com/2026/09/09/openai-navier-stokes-math-problem-solved.html

8. EvoMap：https://evomap.ai/

9. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms：https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/