# 大规模Agent协作与工具

前沿版本：2026-10-16.1；领域F10

## 概念与例子：多个Agent怎样协作而不是重复劳动

多Agent系统把搜索、编码或研究拆给多个工作者，再共享状态并合并结果。并行可以扩大探索范围，但接口冲突、错误事实和集成返工也会增加。

三个Agent分别实现三个模块，如果对接口字段理解不同，代码各自通过测试也不能完成整体项目。需要任务分工、共享证据、隔离工作区和实际集成验收。

- 墙钟时间：现实中过去的时间，不能直接代表总计算预算。
- 协作记忆：团队保存的任务日志、经验和状态，不等于普通资料检索。
- 等预算对照：控制总token、费用或计算资源，再比较协作方法。
- 软件重建：从零复现参考程序的输入输出行为，交付新源码和构建方法，而不是修一个已有文件。
- AAS：研究中对任务表现与沟通表现的序列汇总评分；不等于任务成功率。
- 墙钟时间：从开始到结束实际经过的时间；同样6小时可以用不同数量的计算资源。

## 具体进展

### 万实例研究流程是厂商披露的案例

原报告记载OpenAI在Navier–Stokes数学研究流程中，约用10,000个并发实例搜索88小时形成候选论证，另用17小时形式化，即写成机器可检查的证明。过程还含人工调度、筛选和跨组整理。[OpenAI流程说明](https://openai.com/index/navier-stokes-solution/)

本轮未成功读取该厂商入口，具体数学命题和最终核验状态未重核；只能保留既有报告支持的流程事实，不能据实例数称已解决一个问题或取得同成本效率提升。[OpenAI流程说明](https://openai.com/index/navier-stokes-solution/)

厂商流程披露，结果依据继承原研究；本轮入口获取失败
对应材料：[OpenAI流程说明](https://openai.com/index/navier-stokes-solution/)

### Agensh扩展并行探索的实验

Agensh让多个工作者认领任务、并行实现、共享代码与状态。ProgramBench要求从零复现程序输入输出，例如Pandoc文档转换工具；实验采用GPT-5.6-sol(high)+Copilot、禁用互联网，给六小时墙钟时间。工作者先自验，再由同伴承担集成角色、通过Git合并，测试器只负责评估。[Agensh论文与附录](https://arxiv.org/html/2609.26781v1)

五个大型软件重建题中，1到128个实例的平均部分测试通过率从19.31%升至28.78%；仅Pandoc题从1到1024实例由33.89%升至55.06%，128到1024只增加4.12个百分点。实例渐进启动且分布多节点，未控制总token与费用；这些不是完整软件交付率，也不是同预算实验。[Agensh论文与附录](https://arxiv.org/html/2609.26781v1)

既有研究报告的事实摘要与条件说明；具体引用在正文标注
对应材料：[Agensh论文与附录](https://arxiv.org/html/2609.26781v1)

### AgentWorld：角色协作在变体任务中仍会失败

AgentWorld在游戏沙盒里安排采集、制作、战斗等任务，不是办公现场。例如不同角色共享资源、先采材料再制作装备，完整任务由脚本验收。它用100个人工任务和100个增强变体，测试3–20个角色的长程协作。[AgentWorld](https://arxiv.org/html/2609.31590v1)

主集最佳模型Gemini 3 Flash从主集52%降至增强变体24%；四个主要模型中变体最高是Claude Haiku 4.5的26%。这是受控游戏完整任务成功率，不是企业交付率；其协作贡献指标另依赖模型判断动作因果性。[AgentWorld](https://arxiv.org/html/2609.31590v1)

既有研究报告的事实摘要与条件说明；具体引用在正文标注
对应材料：[AgentWorld](https://arxiv.org/html/2609.31590v1)

### LLMA-Mem：复用经验与增加队员的比较

LLMA-Mem在16个研究任务、相同图通信拓扑中，每3个任务整理一次协作记忆。论文表2给出Claude Sonnet 4.5的5人队AAS 62.57，7人队62.21；AAS汇总任务与沟通表现，不是成功率。[LLMA-Mem](https://arxiv.org/html/2604.03295v1)

这只是小型研究配置中的细小差异，不能推出少人总比多人好。它提出值得核对的方向：记住已验证的分工与失败经验，是否比盲目增加实例更有效。[LLMA-Mem](https://arxiv.org/html/2604.03295v1)

作者受控研究结果；未验证企业收益
对应材料：[LLMA-Mem](https://arxiv.org/html/2604.03295v1)

## 时间线

- 2026-03-27（预印本首稿 / 日期）：对应协作研究首次提交。
  日期依据：arXiv v1提交日；不是实验日
- 2026-09-22（预印本首稿 / 日期）：对应协作研究首次提交。
  日期依据：arXiv v1提交日；不是实验日
- 2026-09-25（预印本首稿 / 日期）：对应协作研究首次提交。
  日期依据：arXiv v1提交日；不是实验日
- 2026-10-12（研究材料范围 / 资料截止）：这份研究摘要的资料范围，不是上述事件统一发生的日期。
  日期依据：原研究报告事实范围

## 工作意义

工作建议（编辑推断）：多个Agent适合探索可分开的候选方案，但数据和接口必须有统一版本，最终还需集成与独立验收。模型数量增加会消耗计算并制造协调工作，应记录冲突、重复写入、返工与人工整合时间。

### 后续观察

若同总预算对照显示任务分工与共享证据提高独立验收通过率、降低接管和返工，且经验记忆能在留出任务复用并允许错误定位撤回，真实转化判断才上调。观察等预算消融、不同队伍规模下的合格任务费用、失败恢复、工具权限和维护工时；并发数增长本身不足以改变判断。

## 证明材料

### OpenAI流程说明

[OpenAI流程说明](https://openai.com/index/navier-stokes-solution/)；类别：原始研究或机构项目说明；状态：active
支持：继承报告的并行研究流程；命题与终验状态本轮未重核。
定位：厂商Navier–Stokes流程说明中的实例、搜索/形式化时间；本轮入口失败。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
原始发布：未知；修订：未提取；原始发表日期未提取，保留未知
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
2026-10-14书目信息，非实验复验。

### Agensh: Scaling Organizational Intelligence to 1,024 Agents

[Agensh论文与附录](https://arxiv.org/html/2609.26781v1)；类别：研究预印本；状态：active
支持：软件重建指定模型/禁联网/六小时下实例规模与部分测试结果。
定位：§2.1（工作/合并）、§3.1（ProgramBench与预算）、附录C。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
原始发布：2026-09-22；修订：未提取；arXiv v1 Submission history
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
2026-10-14书目信息，非实验复验。

### AgentWorld: Benchmarking Long-Horizon Collaboration of Multi-agent LLMs

[AgentWorld](https://arxiv.org/html/2609.31590v1)；类别：研究预印本；状态：active
支持：100+100任务、角色协作及Gemini/Haiku各自成绩口径。
定位：§3.1/§3.5（游戏任务与验收）；§4.2/表2（模型结果）；附录B.1。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
原始发布：2026-09-25；修订：未提取；arXiv v1 Submission history
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
2026-10-14书目信息，非实验复验。

### Scaling Teams or Scaling Time? Memory Enabled Lifelong Learning in LLM Multi-Agent Systems

[LLMA-Mem](https://arxiv.org/html/2604.03295v1)；类别：研究预印本；状态：active
支持：特定研究配置的记忆整理与5/7人队AAS对照，不是通用成功率。
定位：§4.1（16任务与通信设置）；§4.4/表2（队伍与AAS）。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
原始发布：2026-03-27；修订：未提取；arXiv v1 Submission history
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
2026-10-14书目信息，非实验复验。

本页整理：2026-10-14；事实范围：2026-10-12。概念解释与既有研究展开；元数据访问不是原始实验复验。

阶段：受控试点：特定研究和软件任务已展示并行、经验记忆与工具协作；广泛稳定部署证据不足。
前沿渐进；转化暂难判断；信心低。定性判断不是职业自动化率。