多智能体

人间凡尔赛

多智能体系统（MAS）实战：Agent时代的“TCP/IP“如何落地？![封面](https://picsum.photos/seed/17871060319601/800/400)

"LatentMem: Customizing Latent Memory for Multi-Agent Systems" 论文笔记同济 + 上海 AI Lab + 港中文 + 南大 + 上交的工作，目前挂在 Arxiv 26.03 上。当前多智能体系统（MAS）的记忆设计普遍存在两个瓶颈：记忆同质化（缺乏角色感知的定制）和信息过载（记忆条目过于细碎冗长）。本文提出 LatentMem，一个可学习的隐空间多智能体记忆框架：用一个轻量经验库存原始轨迹，用一个记忆合成器（memory composer）结合角色画像把原始轨迹蒸馏成定长的隐式记忆（latent memory），再通过 LMPO 把任务级信号反传给合成器，让它学会产出紧凑且

AI大佬的小弟

大模型名词精讲14：Multi-Agent（多智能体协作）小伙伴们有没有想过一个更有趣的问题：如果一个Agent搞不定我们的任务，怎么办？就像现实中一样，一个人再厉害也干不过一个团队。让一个AI同时当研究员、分析师、编辑、审核员，就像让一个人同时干四个人的活——不是不行，但容易出错，而且质量参差不齐。

云卷云舒___________

Anthropic披露内部模型Model 2、Codex多智能体v2委派多模型、英伟达开源550B推理教师模型 | 8月16日 AI日报💡 今日趋势速览：Anthropic首披露内部模型Model 2，Codex多智能体v2自动委派子任务，英伟达开源550B推理教师模型，大模型与智能体能力竞赛持续升级。

"OPD-Evolver: Cultivating Holistic Agent Evolver via On-Policy Distillation" 论文笔记LV-NUS Lab + 复旦 + 北大 + 字节的工作，目前挂在 Arxiv 26.06 上。当前的自进化 Agent 都把记忆当成自进化的定义，但存下经验 ≠ 学会怎么从经验里进化。本文提出 OPD-Evolver，一个慢-快协同进化框架：快环里 Agent 与四级记忆层级交互做 test-time 进化，慢环里用结果校准的记忆归因+ 特权后见通过 on-policy distillation 把「选、用、写、管」四种能力蒸馏进可部署策略本身

"MemEvolve: Meta-Evolution of Agent Memory Systems" 论文笔记OPPO AI Agent Team 与 LV-NUS lab 的工作，发表在 ICML 2026 上。当前的自进化记忆系统都停留在用固定的记忆架构去积累经验这一层，本文提出 MemEvolve，一个同时进化「经验知识」与「记忆架构本身」的元进化框架，让 Agent 不仅能积累经验，还能不断改进它是怎么从经验里学习的这件事

"Collaborative Memory: Multi-User Memory Sharing in LLM Agents with Dynamic Access Control" 论文笔记一篇 LLM Agent 多用户协作记忆管理工作，目前挂在 Arxiv 25.05 上，针对多用户、多 Agent 场景下信息不对称和动态权限问题，提出了 Collaborative Memory 框架

别让模型猜：语言解压——把压缩的关系与言外之意变成可计算的分叉大模型最危险的能力，不是它知道多少，而是它不知道自己正在猜测。当你问 GPT：“这个项目要黄了，怎么办？” 它立刻给你一套止损方案——自信、流畅、看起来专业。但它永远不会先停下来问你：“你说的’黄了’，是指项目要失败，还是 UI 要改成黄色主题？”

"AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems" 论文笔记快手发布的一篇技术报告 AgentX，提出了一个可以自我迭代的 MAS 把工业推荐的 idea-to-launch 闭环整体自动化，推荐领域的 Loop Engineering

大模型稀疏注意力和MoE的宽度丢失与多智能体的维度补充一句大白话：纵向要深度，就得丢掉宽度；那宽度丢了怎么办？用多个纵向来补齐。这句话听起来像工程直觉，但把它翻译成数学和计算机科学语言，这恰好踩在集成学习（Ensemble）和分布式表征（Distributed Representation）的终极解法上。这一篇就把这句话展开，并用两个互为补充的直观映射——望远镜与 Photoshop 分色通道——把它讲透。

多智能体协作收敛效率关键：大模型幻觉和角色视角大多数人评估一套多智能体系统，看的是花了多少 token、跑了多少角色、出了多长的报告。但有一个真正决定交付质量的指标被长期忽略：协作收敛效率——从"开始干"到"拿到一份能接受的结果"，到底要绕多少圈。绕的圈数，基本上由两个因素决定：一是大模型的「幻觉」问题，二是审核者角色的设计。这两件事处理不好，要么你陷入没完没了的多轮迭代，要么你表面上很快收敛、实则抱着一堆没被挑出来的错。

【AI大模型应用开发】【项目实战】35.基于A2A协议的智能助手(多智能体)(三)项目实现之天气MCP服务器&票务员MCP服务器&订票MCP服务器mcp_weather_server天气 MCP 服务器，提供 weather_data 表的 SELECT 查询接口，返回 JSON 格式结果

同一只股票三个 AI 写出三种段位：CoordClaw 多智能体如何产出投研级股评大多数人默认一个假设：让 AI 做投资研究，瓶颈在"模型够不够聪明"。昆仑万维（300418）这个真实案例会反驳你——同一只票，我们让三套 AI 系统各写一份分析，质量天差地别；而最好的那份，不是来自最大的单体模型，而是来自一套多智能体协作。

周航宇JoeZhou

JP3-2-3-MyItem智能业务Java道经 - 项目 - MyItem - 智能业务心法：MyItem 智能业务均在 com.joezhou.agent 包下开发，物理隔离。

CoordClaw 底层机制解构：多智能体协作的工程原理CoordClaw 是一套多智能体协作系统：七八个 Agent 自己开会、自己裁决、自己交付，人类只负责按下"启动"。单看它的运行机制，表面上是又一份工程实践总结；但把它拆开，会发现每个设计背后都站着一条清晰、可推导的工程原理——关于概率、关于冲突、关于上下文、关于收敛。

人间凡尔赛

2026多智能体系统深度解析：从GPT-5.6 Ultra到开源框架，构建你的Agent军团2026年7月，OpenAI发布GPT-5.6 Sol旗舰模型，其Ultra模式可自动调度4至16个子智能体并行协同工作，标志着多智能体（Multi-Agent）系统从研究走向生产级部署的"奇点时刻"已然到来。

"Scaling Teams or Scaling Time? Memory Enabled Lifelong Learning in LLM Multi-Agent Systems" 论文笔记LLMA-Mem 目前挂在 Arxiv 26.04 上，探讨了 LLM 多智能体系统中 "横向扩展团队规模" 与 "纵向积累时间经验" 两种扩展维度之间的交互关系，提出通过记忆设计实现更高效的终身学习

Agent之间怎么对话？A2A协议+多智能体协作+NL2SQL+对话状态跟踪+Vibe Coding+Spec Coding全讲透（附代码）📢 本文是「108张AI知识卡片·大模型通关手册」系列第 9 篇。上一篇把 Agent 的 6 个核心概念（Agent/ReAct/Memory/Skills/插件/MCP）讲透了——一个 Agent 能自己干活了。但现实中的任务往往太复杂，一个 Agent 搞不定：规划、执行、校验需要不同专长，跨系统数据需要不同接口。这篇讲的是"从单打独斗到团队协作"——Agent 之间怎么对话、怎么分工、怎么跟数据打交道，以及 AI 怎么帮你写代码。

程序员果子

CrewAI ：当 Agent 学会团队协作目录📍 定位🎯 选型指南🏗️ 原理与架构📐 双层架构👥 Crew：Agent 团队🌊 Flow：生产级工作流

多智能体系统实战：架构设计、数据库表设计与 Skill 体系本文面向需要从零搭建多智能体（Multi-Agent）系统的开发者，从架构分层、数据模型到 Skill 标准化，给出一套可直接落地的设计方案。所有内容均基于生产级实践，不含空泛概念。