多智能体

钝挫力PROGRAMER

在 bisheng 平台搭建「主-子智能体」协同：弱模型适配、执行效率与问题记录关键词：多智能体编排 / 低能力模型适配 / 确定性引擎化 / 长文本落盘 / ReAct 协议陷阱 / 失败可见性场景：在bisheng平台搭建多智能体协同（专家智能体 → 逻辑流图智能体 → 部署方案智能体 → 部署流图智能体），并跑通"总智能体规划主导 + 子智能体执行"。

OpenAI 一万 Agent 解纳维-斯托克斯拆解：scaling 从参数换成并发，AGI 标尺从准确率变成连续工作时长2026年9月16日，OpenAI总裁Greg Brockman在一场a16z访谈里宣布：我们现在已经进入AGI时代。

从“狼来了“到“怎么打狼“：AI 大数据预警与处置方案自动生成调研调研说明：本文基于 2025—2026 年公开政策文件、行业落地案例与一线工程实践整理，聚焦一个被长期忽视的断层——预警系统会喊"狼来了"，却从不说"现在该怎么打狼"。当大模型、知识图谱与多智能体走向成熟，这条从"感知"到"行动"的链路正在被打通。

Runwise创新社区

Anthropic多智能体架构怎么落地？Lead Agent、共享记忆与并行任务的设计边界企业准备把资料调研助手升级成多智能体系统，通常先想到增加角色：市场分析 Agent、技术分析 Agent、报告 Agent。真正接入工作后，却可能出现三个问题：大家搜索同一批材料，汇总时丢失证据，一个子任务卡住后整份报告迟迟无法交付。

Mininglamp_2718

MCP和A2A之后，机器人网络里还缺一层开放通信协议过去两年数字 Agent 世界发生了两件确立标准的事。Anthropic 在 2024 年底发布 Model Context Protocol（MCP），定义了 Agent 怎么标准化地调用外部工具和数据源；Google 在 2025 年发布 Agent2Agent Protocol（A2A），定义了不同厂商、不同框架构建的 Agent 之间怎么互相通信协作。这两层协议加起来，数字世界里"Agent 怎么连接工具、怎么和别的 Agent 对话"基本有了公共答案，不需要每接一个新工具或者新 Agent 就重

力学与人工智能

AI赋能飞行器设计：多智能体协同的飞行器“极智”设计平台随着大语言模型与智能体技术深度融入工程设计领域，飞行器设计迎来全新变革。依托智能体能力，我们可通过自然语言提交设计需求，由AI自主完成任务理解、流程规划、工具调用、性能评估与方案迭代全流程。本文通过视频+完整PPT的形式，直观拆解智能体驱动的飞行器概念设计方案，文字仅做精简串联，方便大家快速理解、深度学习。

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。