AICon 北京分享 GFlow 实践:用多 Agent 协作与验证机制完成游戏设计任务。
该分享拆解了 GFlow 在游戏设计场景中的多 Agent 落地实践,由多个 Agent 分工协作产出设计方案,并引入验证环节对结果做校验。内容覆盖任务拆解、Agent 间协作流程与验证机制的工程设计,属于面向具体垂直场景的 Agent 系统实践。
在多 Agent 协作之外单独设置验证环节,是这套实践的核心结构;场景选在容错度较低的游戏设计任务上。
AICon 北京分享 GFlow 实践:用多 Agent 协作与验证机制完成游戏设计任务。
该分享拆解了 GFlow 在游戏设计场景中的多 Agent 落地实践,由多个 Agent 分工协作产出设计方案,并引入验证环节对结果做校验。内容覆盖任务拆解、Agent 间协作流程与验证机制的工程设计,属于面向具体垂直场景的 Agent 系统实践。
在多 Agent 协作之外单独设置验证环节,是这套实践的核心结构;场景选在容错度较低的游戏设计任务上。
谷歌发布首款决策模型 Gemini Decision 1,9 项测试拿下 7 项第一,最高准确率 92.2%。
谷歌推出名为 Gemini Decision 1 的决策模型,官方将其定位为该公司首款面向决策场景的专用模型,而非通用对话模型。在公布的 9 项决策与规划类基准测试中取得 7 项第一,最高准确率 92.2%,测试维度涉及多步推理与路径选择类任务。
决策被单独拆成一个模型品类并给出基准对比,9 项测试里 7 项第一、最高 92.2%,是目前公开可查的参照数值。
受控评测对比多种Agent架构在企业风格SOP流程中的成本与成功率权衡。
该研究在企业风格的标准作业流程上做受控实验,横向比较不同Agent架构方案,量化其任务成功率与调用成本之间的关系,给出各架构在SOP类任务上的权衡曲线与适用情形。
用受控实验把架构选型从经验判断变成成本-成功率曲线,SOP类场景的对比数据不多见。
Google 发布 Gemini 4 Carbon,首次引入 Agent 群体协作(swarm)能力。
Google 正式发布 Gemini 4 Carbon 模型,新增能力中最受关注的是 Agent swarm,即多个 Agent 以群体协作方式共同完成任务。该能力被描述为 Gemini 系列首次引入,具体协作机制、任务调度方式与可用范围尚未在披露信息中展开。
多 Agent 协作从第三方编排框架层面,进入基础模型厂商的原生能力清单。
openJiuwen 开源 TTSE 经验学习框架,让 Agent 在任务执行中积累并复用经验实现自演进。
openJiuwen 开源 TTSE 经验学习框架,目标是让 Agent 从每次任务执行中沉淀经验并自我演进。其采用“双轨”机制,摘要将其列为关注重点,但未说明两条轨道各自承担的具体职能与实验数据。
“双轨”是本条的核心变量:经验如何在任务内即时生效、又如何沉淀为跨任务的长期能力,正是自演进 Agent 的关键分歧点。
阿里千问办公押注 Team Agent,以多智能体协作切入企业办公流水线场景。
文章聚焦阿里千问办公的产品方向选择,称其将 Team Agent 作为核心路线,用多个智能体分工协作的方式接入企业办公流程,而非单点对话助手。文中围绕这一模式讨论企业 AI 从单任务工具走向流水线化协作的路径,涉及多智能体在办公场景中的角色划分与流程编排思路。
办公场景的多智能体路线之争开始显形:从单助手问答转向按流程分工的 Agent 团队,切入点是既有办公流水线而非新建入口。
阿里发布千问办公2.0,推出支持多人与Agent共同协作的Team Agent形态。
千问办公升级至2.0版本,新增Team Agent,官方将其定位为首个支持多人与Agent协作的办公产品形态。在原有办公套件能力之上,引入多个真人成员与Agent在同一任务空间内分工协作的方式,区别于常见的单人对话式助手。
把多人与多Agent放在同一个工作空间里协作当成产品形态,而非单人对话入口,协作粒度与权限划分是这一形态的核心设计点。
提出 CORE 方法,用粗到细搜索结合上下文管理支撑深度研究 Agent。
CORE 面向深度研究 Agent 的长链路检索场景,采用粗到细的搜索策略:先在宽范围上定位相关区域,再逐步收敛到细粒度证据;同时引入上下文管理机制,对检索过程中累积的内容做筛选与压缩,控制上下文长度。文中给出 harness 层面的设计组合与实验对比。
把搜索粒度调度与上下文管理放在同一个 harness 里设计,为深度研究 Agent 的检索组织提供了一个可参照的结构。
预注册实验发现,多 Agent 交接过程中需求会被摘要丢失或篡改。
论文通过预注册实验检验多 Agent 交接环节的需求完整性,结果显示需求在摘要传递过程中会被遗漏或被改写,下游 Agent 接收到的任务与原需求出现偏差,作者将其归纳为企业级任务拆分中的需求完整性风险,并给出实验层面的证据。
摘要式交接是需求失真的高发点,多 Agent 系统的失败可能不来自单个 Agent 的能力,而来自传递层。
一项研究对比对话 Agent 直接检索与委派子 Agent 检索两种模式在效率与上下文上的差异。
研究针对对话 Agent 的长会话检索问题,比较主 Agent 直接检索与委派子 Agent 执行检索两种方案,考察检索效率、主上下文占用以及检索历史保留情况三项指标,分析多轮对话中检索负载如何影响上下文预算与响应表现。
检索从主 Agent 剥离给子 Agent 后,上下文占用与检索历史的取舍成为可量化的设计维度。
提出决策基础模型 Drex,探索超越自回归思维链的任务决策建模范式。
论文提出决策基础模型 Drex,尝试跳出以自回归方式逐步生成思维链的范式,直接对任务决策过程建模,讨论决策类基础模型应有的建模范式与训练路径,并给出相应的模型设计与实验验证。
把思维链从推理手段改为被替代的对象,直接对决策本身建模,是规划方向少见的范式层尝试。
Amazon Quick 梳理出一套智能体原语分类法,包含触发器、智能体、能力与学习上下文。
AWS 在 Amazon Quick 中归纳出构建智能体的四类基础原语:触发器负责事件唤起,智能体承载执行逻辑,能力对应可调用的工具与动作,学习上下文提供记忆与状态,四类原语构成搭建企业级 Agent 的抽象层级。
把 Agent 拆成四类可复用原语,与常见的“模型+工具+记忆”三分法相比多出触发器一层。
Greenlight Financial 用 AgentCore 搭建分层多智能体 SOC,自动处理超 90% 安全案件。
这是一篇客户案例,介绍 Greenlight Financial 基于 Amazon Bedrock AgentCore 构建自主安全运营中心(SOC)方案。采用分层多智能体架构,自动处理超过 90% 的安全案件,文中给出架构设计与情景记忆(episodic memory)的具体实现细节,属于可参照的生产级落地样本。
90% 案件自动处理率是安全运营场景里少见的量化结果,分层多智能体加情景记忆是其架构骨架。
智象创始人梅涛提出「智能体化世界模型」概念,认为三条 AI 技术路线终将合流。
智象创始人梅涛在分享中提出「智能体化世界模型」的构想,主张世界模型与智能体两条技术路径最终走向融合。他梳理了当前 AI 领域的三条主要技术路线,并给出三者合流的判断,但现有信息未披露具体的模型参数、训练方法或工程细节。
把「世界模型」和「智能体」放在同一条演进线上讨论,是近期少见的路线级整合判断,而非单点能力迭代。
论文针对多轮对话的上下文污染问题,提出 Agent 化的上下文管理方法,抑制早期误解累积。
作者指出,在多轮人机对话中,早期误解会随轮次累积并污染上下文,于是提出由独立 Agent 承担上下文的筛选、摘要与重写,在保留任务相关信息的同时剥离过时或错误内容。论文给出方法框架,并设置多轮任务上的对比实验来验证。
上下文管理从被动拼接历史转为主动治理,由独立 Agent 判断哪些历史该保留、该改写、该丢弃。
英伟达发布工厂运营蓝图,演示多个 AI Agent 协同排查产线异常。
英伟达公布 Factory Operations Blueprint,给出工厂场景中编排多个 AI Agent 的参考架构:Agent 分别承担设备日志检索、根因分析与工单生成,通过统一编排层共享上下文,面向产线异常排查流程。蓝图包含组件分层、数据接入方式与部署参考。
把多 Agent 编排落到具体工业流程(异常排查)上,并给出可复用的分层参考架构,而非单点模型能力展示。
DeepSeek 开源 Super-agent 原型,探索自主智能体的架构与任务执行方式。
DeepSeek 对外开源了一个名为 Super-agent 的智能体原型,定位在自主任务执行方向,而非单纯的模型能力展示。该原型围绕智能体的架构设计与多步任务执行流程展开,具体参数与配套代码随开源一并放出,供开发者研究其规划与执行链路。
以开源模型著称的 DeepSeek 把动作延伸到 agent 框架层,规划与执行链路的实现细节可直接查看。
提出 Verify-Backtrack Loop 方法,使长程 Agent 在前置条件失效时进行结构化恢复。
论文针对长程语言 Agent 在执行中前置条件失效的问题,提出验证-回溯循环:先校验当前状态是否满足后续步骤所需的前置条件,不满足则回溯到可恢复节点并结构化地重建条件,而非整体重试或直接失败,属于 planning 方向的流程控制方法。
把前置条件作为可显式校验和回溯恢复的对象,而不是依赖模型自行纠错;这是长程任务失败处理的一种显式化路径。
DeepSeek公布Super Agent架构设计探索,另含苹果市值超越英伟达、Meta传与傅利叶合作机器人。
DeepSeek团队发布Super Agent架构的设计探索,涉及智能体编排方式与决策架构设计。同期资讯还包括苹果市值超越英伟达重回第一,以及传闻Meta与傅利叶合作打造Muse机器人。
DeepSeek首次公开智能体层面的架构设计,而非模型本身,编排与决策结构的具体取舍值得逐条对照。
提出 CALM 记忆治理框架,为长周期语言 Agent 处理记忆冲突与过期问题。
论文提出 CALM(Conflict-Aware Lifecycle Memory Governance)框架,针对长周期运行的 Agent 做记忆全生命周期管理。框架显式处理记忆之间的冲突,在记忆过期与语义相关性之间做权衡,避免旧记忆失效后仍被检索使用,也避免过度淘汰影响召回。研究给出该治理机制的设计与在长程任务上的评估。
将记忆管理拆成冲突感知与生命周期治理两层,正面对上长期运行 Agent 中“旧记忆仍被检索”的典型失效模式。
DeepSeek 发布全新 Agent 架构,支持多智能体协同调度,实现 AI 指挥 AI 完成任务。
DeepSeek 发布一套全新 Agent 架构,核心是多智能体协同调度:由上层模型拆解任务并指挥下层 AI 执行,形成「AI 指挥 AI」的分工结构。发布内容聚焦架构层面的任务拆解、角色分配与调度编排能力,未披露具体模型版本与开放范围。
编排权从人手里转到模型手里——「AI 指挥 AI」把多智能体调度的重心放在了任务分解与角色分配上。
论文研究临床多 Agent 会诊系统中的偏见问题,指出共识机制可能掩盖而非消除不公。
该研究提出“Disparity Laundering”(差异洗白)概念,分析临床多 Agent 会诊架构中多个 Agent 达成共识的过程。研究发现,多 Agent 协作并未降低偏见,反而通过共识聚合把个体层面的偏见差异转化为集体决策结果,使不公更难追溯。论文从协作架构设计角度讨论该现象的成因与识别难点。
多 Agent 共识被当作去偏手段的假设在此被直接质疑:聚合环节本身可能就是偏见被掩盖的场所。
论文指出多 Agent 系统缺少可审计的信念更新安全层,主张将其作为独立组件补齐。
文章分析 LLM 驱动的多智能体系统,认为智能体内部信念状态的更新过程缺乏可审计机制,属于现有安全设计中的空白层。作者主张把可审计的信念更新作为独立组件引入系统架构,而非嵌入单个智能体。摘要未给出具体实现方案与实验。
安全层的位置被重新定义:从输出过滤前移到智能体信念的每一次更新。
百度 APP 发布四项 AI 升级,称搜索已实现递归自我进化。
百度 APP 公布四大 AI 升级,覆盖搜索等核心入口。官方称搜索已具备递归自我进化能力,即由模型参与自身的迭代优化。这是国内大厂将 Agent 化能力嵌入搜索主产品的一种公开做法。
把递归自我进化放进搜索主产品的叙述中,意味着模型迭代循环开始由产品侧承担,而不再只停留在实验室。
扩散模型被引入 Agent 决策场景,350 亿参数版本运行速度达到 Jev 的两倍。
研究团队将扩散模型用于 Agent 的行动生成与规划环节,发布 350 亿参数规模版本,实测推理速度为此前对照方案 Jev 的两倍。报道指出该路线与主流自回归模型在 Agent 任务上的表现形成对照,围绕采样步数、并行解码与长序列规划的取舍展开讨论,并引发社区对 Agent 底层架构选型的争论。
扩散路线以并行去噪换取推理速度,与传统逐 token 生成的 Agent 架构形成了一次正面对照。
文章分析 Kimi 多智能体场景中子 Agent 空转消耗额度的现象,并介绍 Anthropic 的对应解法。
文章拆解了 Kimi 在多 Agent 协作下额度被快速消耗的原因:主 Agent 派发任务后,子 Agent 之间反复互相确认、来回传递上下文,形成没有产出结论的“无效会议”,token 消耗随 Agent 层级与数量成倍增长。文中引用了 Anthropic 在子 Agent 上下文隔离与任务边界划分上的做法,包括限制子 Agent 数量、规定返回结构和单次任务预算。
子 Agent 的成本大头不在单价而在调用结构:层级越深、互相确认越多,无效 token 占比越高。
系统实证多智能体工作流的通信拓扑与设计空间,以受控实验替代经验试错。
论文把多智能体工作流拆解为可比较的设计维度,包括通信拓扑、角色划分与轮次结构,并在统一实验框架下做系统实证,考察各设计选择对任务表现的影响。目标是把凭经验搭 workflow 的做法,转成可复用的设计空间描述。
把通信拓扑当作可枚举、可比对的变量而非风格偏好——多 Agent 编排开始有了设计空间地图,而不只是个案经验。
InfoQ 长文梳理 Agentic Harness 架构从链式到图、再到代码的演进路径。
文章回顾 Agentic Harness 这一承载 Agent 运行的外层框架的三种形态:早期以线性链串联固定步骤;随后转向图结构,用节点与边表达分支、循环和状态;最新形态把控制流交给模型直接生成代码。文中对比三者在可调试性、可扩展性与错误恢复上的差别,并讨论各自的适用边界。
控制流从框架硬编码移交模型生成代码,是这条演进路径上改动最彻底的一步,也把调试对象从图变成了生成出来的代码。
拜耳作物科学基于 Amazon Bedrock AgentCore 搭建多智能体决策引擎并分享架构。
AWS 官方博客记录拜耳作物科学的实践:以 Bedrock AgentCore 为运行时,结合 AWS Unified Operations 构建面向农业场景的多智能体决策引擎。内容覆盖整体架构分层、智能体之间的编排与工具调用方式,以及落地过程中的经验与约束条件。
大厂官方博客给出的多智能体决策引擎参考架构,是 AgentCore 在真实业务场景中的一手落地样本。
华为小艺 Work 实测体验,覆盖全媒体运营与深度研究两类 Agent 任务。
文章记录了作者在华为小艺 Work 上完成全媒体运营与深度研究两类任务的完整实测过程,从任务下发、多步规划到结果产出。内容按场景拆解了 Agent 的拆解路径、调用工具与中间输出,属于端到端产品体验记录,未披露模型版本与底层架构细节。
大厂把 Agent 能力包进消费级入口,实测样本落在运营与调研这两类高频白领任务上。
OpenAI 将决策模型 Jev 的竞品全面开放,决策模型赛道竞争升温。
OpenAI 把此前受限的决策类模型向更广泛用户开放,与 Jev 等决策模型产品正面竞争。这类模型面向多步推理、方案权衡与结构化选择场景,输出可比较的决策结果而非单纯文本。开放范围扩大后,Agent 在规划与选型环节可选的底座模型增加。
决策模型正从文本生成中分化出独立品类,Agent 规划层的模型选择因此多出一条产品线。
论文用计算可分离性框架解释推理时 harness 的增益,说明多次调用并保持状态为何提升模型能力。
该研究从计算可分离性角度分析推理时脚手架的作用机制,论证通过多次模型调用并在调用之间保持状态,可把单次调用难以完成的计算拆分为可分别求解的部分,从而提升整体能力表现。为推理时编排策略提供了理论解释。
为“多轮调用加状态保持”这类工程惯例补上了理论解释,把 harness 设计从经验试错拉向可分析的计算结构问题。
论文在金融审阅任务上对照单 Agent 与多 Agent 配置,比较多角色拆解是否带来收益。
研究在同一金融审阅任务上对比单 Agent 与多 Agent 两种 LLM 配置,考察拆分角色与流程后的表现差异。结果显示多 Agent 未必优于单 Agent,任务拆解引入的协调成本与错误传播会影响最终效果。
这是一个反例:多 Agent 的收益取决于任务结构,在金融审阅这类任务上,拆分并未自动带来提升。
Cloudflare 开源 AI 智能体决策模型 Clef,为 Agent 决策架构选型提供新参考。
Cloudflare 开源了名为 Clef 的 AI 智能体决策模型,用于支撑 Agent 在运行时的决策过程。该模型以开源形式发布,可供开发者在自有 Agent 架构中集成或参考,主要面向决策层的设计问题,而非单纯的工具调用封装。
由 CDN 与边缘计算厂商提出的 Agent 决策模型,意味着基础设施层玩家开始介入 Agent 的决策环节而非只提供运行环境。
腾讯混元发布 Terminal-RSI,以阿里模型为基座实现自我进化式提升
腾讯混元发布 Terminal-RSI,采用阿里模型作为基座,实现被称为“小 RSI”的自我进化式能力提升。命名指向模型的自我改进方向,公开摘要未披露训练数据构成、评测基准与具体提升幅度等参数细节。
以其他厂商模型作基座的自我进化路线,使跨厂商基座复用成为一个值得留意的工程做法
提出记忆驱动的主动式助手 ProPerAgent,由 Agent 自行判断是否以及何时介入。
论文提出 ProPerAgent,利用长期记忆建模用户状态与上下文,让助手自主决定是否需要主动发起交互以及介入的时机,而非被动等待用户提问。研究围绕记忆表示、介入时机判定与主动性评估设计展开,并给出与被动式助手的对比实验结果。
把是否介入交由 Agent 自主判断,主动性从固定触发规则变成需要建模和评估的决策问题。
提出一种迭代式、以状态为中心的深度研究 Agent,将文献调研建模为多轮自主探索过程。
该工作提出 Optimist 深度研究 Agent,把文献调研任务建模为多轮迭代的自主探索:以显式维护的研究状态为中心,每轮基于当前状态决定下一步检索与读取动作,并持续更新状态。相比一次性生成式综述,该架构强调状态累积与多轮推进。
把“状态”而非“对话历史”作为深度研究 Agent 的核心承载物,是长任务 Agent 架构的一种取舍方向。
国产决策模型StartLux登顶HuggingFace榜单,主攻Agent决策中枢。
HuggingFace发布榜单,国产决策模型StartLux位列SOTA。该模型主打成本控制与不确定性表达两项能力,定位为Agent的决策中枢,即在任务执行链路中承担判断与选择环节,而非通用对话生成。
把不确定性表达作为核心能力,对应的是Agent在决策环节何时该停、该问、该放弃。
Jev创始人访谈中批评RLHF路线绕了弯路,并判断下一代Agent与编程工具走向。
Jev创始人在访谈中系统质疑RLHF作为对齐主路径的有效性,认为其收益被高估;同时给出对下一代Agent形态与编程工具演进的判断,包括Claude Code一类产品不会主导下一阶段的原因。
对当前主流对齐范式的直接否定,以及对Claude Code路线不构成下一时代的公开判断。
研究在企业政策场景下,Agent 决策应何时采用学习策略、何时依赖推理。
论文聚焦企业政策执行类任务,对比学习型策略与推理型决策两条路径,分析不同条件下的适用边界。摘要未给出具体任务集、模型规模与实验结论,属于对 Agent 决策范式的条件性讨论。
学习与推理并非二选一,论文试图给出切换条件,这类边界判断在企业政策自动化中往往决定架构走向。