多智能体

从火灾模拟到系统热寂：一个双非运维如何用零 GPU 推导出多智能体系统的终极死锁作者：独立研究者 Jia, Xuanyao DOI：10.5281/zenodo.23399507 声明：本文全程无数据集、无 GPU、无经费。所有结论由第一性原理推导，仿真仅作验证。

【Agent】A harness for every task: dynamic workflows in Claude Code为什么要多智能体？单上下文窗口的三大失败模式：Anthropic给出六种可组合的模式：分类路由、扇出-综合、对抗验证（每个干活的智能体配一个唱反调的）、生成-过滤、锦标赛排序、循环直到收敛。Bun 从 Zig 到 Rust 的整体重写，就是用这套编队完成的。

从“框架混战“到“运行时收敛“：2026 年 AI Agent 开发框架的三条路线之争2026 年 9 月下旬到 10 月初，中文技术社区的 Agent 框架报道密度明显升高：DeepSeek Harness 的新版本解读、字节 DeerFlow 2.0 的架构介绍、strands-agents 新版能力拆解，以及微软 Agent Framework 1.0 的发布报道，几乎在同一周内被反复讨论 [1][2][4][5]。如果只看标题，很容易得出"框架混战又开始了"的结论。但把这些动态放在一起看，会发现它们回答的其实是同一个问题：当编排语法与协议底座趋于同质之后，Agent 系统的差异化究

AI Agent 进入工程化下半场：从多智能体编排走向治理、标准化与运行沙箱2026 年 9 月的开源与 AI 工程信息流里，有一个现象值得单独拎出来：从 9 月 3 日的 GitHub AI&Agent 开源项目周报，到 9 月 7 日的 AI 新闻日报，再到 9 月 22 日的 GitHub Trending 盘点、9 月 24 日的掘金热榜，以及 GitHub 上的 Agentic Engineering Workflow 策展仓库，不同平台、不同作者、不同体裁的内容，反复指向同一件事——AI Agent 的竞争重心已经从"能不能编排多智能体"转向"如何治理、如何标准化、如

多智能体协作的三套通信语言：MCP、A2A 与 Tool Calling 怎么选（附 LangGraph/DeepAgents 实战分工模式）多智能体系统上线前最容易出问题的，往往不是模型能力，而是把三种不同粒度的"通信合约"混成了一件事。本文先把 Tool Calling、MCP、A2A 放到同一张分层图里，说清各自标准化哪一段边界，再落到 LangGraph 的"拆解—执行—质检"回环与 DeepAgents 的主子调度两条工程路径上。

A2A 协议详解：Agent 间通信标准、四大核心机制与 MCP 互补Agent 之间怎么"说话"？上一章讲了多 Agent 为什么需要协同、为什么要统一通信标准；这一章把 A2A 协议讲透：它是什么、和 MCP 是什么关系、Agent Card 与 Task 生命周期两大核心机制怎么运转、任务产出物（Artifact）和消息（Message）怎么组织，以及 4 道面试题的完整参考回答。读完你就能把"多 Agent 协作"落地到协议层面。

AI Agent 上生产前先加三道闸门：审批、限权、可回放的工程实践关于"模型说执行就执行"的争论，其实很少停留在模型层。真正把团队拦在生产环境门外的，是这样一个问题：当 Agent 的一次工具调用产生不可逆副作用时，系统能不能在毫秒级拦住它、让人介入、并在三天后完整复现当时发生了什么。这不是提示词工程问题，而是运行时的可控性工程问题。近期社区里"先加三道闸门再碰真实业务"的提法引起了不少讨论 [1]，本文在此基础上向后端纵深推进：把审批做成可持久化的状态机，把限权落到工具治理的实处，把第三道闸门升级为可重放的 Harness。

多智能体系统论文速读这份笔记按发表时间梳理七篇 LLM 多智能体协作（LLM-based Multi-Agent）的代表工作 CAMEL、AutoGen、AgentVerse、DyLAN、MacNet、AgentNet、MACE。它们大致勾勒出一条主线：从固定双智能体的自动对话，到通用的会话编程基础设施，再到动态组队、团队自优化，然后走向图结构下的规模化协作，最后走向去中心化自组织与可学习的动态编排。顺着读能看清这个方向如何一步步把"多个 agent 怎么高效协作"这个问题结构化

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