这项由孤立商量者Nicole Koenigstein完成的商量，以预印本步地发布于2026年5月，编号为arXiv:2605.27466，有酷爱潜入了解的读者可以通过该编号在arXiv平台查询好意思满论文。商量效果已同步开源，代码托管于GitHub平台。

假定你规画着一家大型餐厅，厨房里有不同专长的厨师：有东说念主擅长冷盘，有东说念主擅长火候，有东说念主专门负责摆盘，还有一个专职品控员。现在来了一张订单，你需要决定：这说念菜让哪位厨师作念？要不要让品控员半途抽检？上桌前要不要再过一说念摆盘工序？若是今天客流量很大，能不成不详某些法子以简约时刻？这些决定每天齐在发生，并且每说念菜的情况齐不一样——有些菜约略，有些菜需要多说念工序严格把关。

这恰是目下AI系统面对的真实逆境。大型话语模子（也即是ChatGPT那类AI）依然不再是单打独斗了，现实中的复杂任务通常需要多个AI智能体协同完成——一个负责规画，一个负责查找良友，一个负责生成谜底，一个负责审核，还有一个负责最终综合。问题在于，怎样决定每次任务让哪些智能体上阵、用什么模样、按什么规章？以前的作念法是东说念主工把这套进程写死，就像印好了固定食谱，每说念菜齐按相似法子作念。这项商量的起点即是：固定食谱行欠亨，需要一套能根据每说念菜的特质自动调整的"智能调度系统"。

这套系统被定名为AgensFlow，名字来自拉丁语"agens"（意为行径、驱动、主导）与英语"flow"（流动）的结合，意在强调这是一套动态流动的团结机制，而非一成不变的静态进程。

一、为什么固定进程会出问题

回到餐厅的譬如：若是你端正每说念菜必须经过冷盘厨师、火候厨师、摆盘厨师和品控员这四说念工序，那作念一碗约略的汤也要走这四步——这浮现是花费。更倒霉的是，当一说念复杂的交融束缚降临，你的固定进程可能根底莫得联想处理它的法子，通盘厨房就会乱套。

AI的多智能体系统面对相似的问题。商量者发现，在这套系统里，至少有四个维度的决策同期交汇在一齐，不可偏废。第一个维度是任务类型——这说念"菜"是约略的单文档查询，如故需要跨多个开首综合推理的复杂任务，抑或是系统从未见过的全新问题类型？第二个维度是手段条约——给智能体的"责任招引"是简略回应、援用凭证、严格考证，如故特定范围的专门处理模样？第三个维度是模子绑定——把任务分派给哪个AI模子？不同模子在才智、本钱和速率上各有互异，就像厨师有高等大厨和学徒之分。第四个维度是谐和拓扑——哪些要津要运行，按什么规章，哪些法子可以此次班师跳过？

这四个维度相互影响。换了一个模子，通盘系统的行径可能就变了；调整了任务规章，适度也会不一样。商量者把这称为"链接联想空间"——你不成只优化某一个维度，因为它们是一个举座。靠工程师的直观或者一次性测试来手工联想这套建设，就像只凭厨师长的警戒来打发每天变化无意的菜单，朝夕要出问题。

二、AgensFlow的中枢构想：让谐和决策变得可学习

AgensFlow的根底想法是：与其让东说念主来写死这套进程，不如让系统从每次任务的实践适度中我方学习，逐渐变成"警戒"，下次遭遇类似情况时作念出更好的决定。这在本事上被称为"在线政策学习"，等闲地说即是"边干边学"。

具体来说，系统每处理完一批任务，就会取得一个质地响应分数。系统会把这个分数和"那时作念了什么决定"对应起来纪录下来。跟着处理的任务越来越多，系统就缓缓知说念了：对于某类任务，用某个特定组合（什么手段+什么模子+要不要跳过某个法子）通常能得到更好的适度。这些警戒被存储在一个叫作念"政策图"的结构里，就像餐厅累积出来的一册活的菜谱警戒手册，纪录着不爱怜况下哪种作念法最靠谱。

值得终点领略的是，系统并不会死记硬背每一说念具体的菜，而是学会了归纳。比如，它会回首出"但凡需要跨多个开首对比分析的任务，谨记让考证要津参与；而单文档的班师查询，考证要津可以跳过，省时省钱"。这种归纳才智意味着，即使来了一说念系统莫得富饶见过的新菜，只消它的特征属于某个已知类别，系统就能作念出合理的调度决定。

三、系统怎样"读懂"一项任务

在潜入了解学习机制之前，有必要清楚系统是怎样姿色一项任务的。AgensFlow用一套叫作念"折叠签名"的设施来描摹每个任务的特征，可以把它清楚为给任务贴标签。

每个任务会被折叠成一组特征标签的组合。领先是"工况标签"，姿色这个任务属于哪种基本类型：是无须婉言的（straightforward）、凭证粘稠需要综合的（evidence_heavy）、信息朦胧的（ambiguous）、信息之间存在矛盾的（contradictory）、高风险需要格外严慎的（high_risk），如故探索性的（exploratory）。

其次是"叮嘱景况掩码"，用七个开关纪录任务处理到了哪个阶段：主张是否已明确、子问题是否已剖析、凭证是否已采集、是否依然有品评意见、是否已通过考证、是否已有初稿谜底、是否已有最终综合谜底。

第三部分是四个联结的"信念揣测值"：刻下谜底的预期正确进程、不细目进程、矛盾风险进程，以及凭证充分进程。这四个数值会跟着每个智能体的责任进展而接续更新——比如当查找良友的智能体找到了好多凭证，凭证充分进程就会高潮；当品评智能体淡薄了质疑，矛盾风险进程就会升高。

这套签名的精妙之处在于，两个在内容上富饶不同的任务，只消它们的签名疏通，就可以分享学到的警戒。比如一个对于会聚安全的分析任务和一个对于漫衍式系统故障的任务，若是齐属于"需要跨多文档对比、凭证充分、矛盾风险中等"这个签名，那系统就会用合并套政策来处理它们。这恰是系统大约泛化学习的基础。

四、系统可以作念哪些动作

明确了怎样姿色任务之后，系统在每一个调度节点能作念的聘请有三大类。第一类是"召唤某个智能体用某个模子处理刻下法子"，比如让规画智能体用经济型模子出一个子任务剖析，或者让求解智能体用高才智模子生成详备谜底。第二类是"跳过某个蓝本野心中的法子"，也即是阿谁重要的skip:X动作。第三类是"斥逐"，不外这一类不是系统主动选的，而是当评估智能体合计任务完成、预算用完、莫得正当动作可作念、或者违背了科罚王法时自动触发的。

在系统的建设里，求解要津有九种不同的变体，来自三种手段条约（简略回应型、想维链型、凭证援用型）与三种模子（haiku、fast、mini）的组合，此外还有规画智能体、挂念检索智能体、两种会聚搜索器具、两种考证智能体和一个评估智能体。系统在每个节点齐要从刻下正当的动作里选一个实践，然后不雅察适度，更新景况，再作念下一个决定。

跳过动作终点值得真贵。在传统的固定进程里，每个法子要么实践要么演叨践，这是在联想系统时就写死的。而在AgensFlow里，"要不要跳过这一步"自己亦然系统通过学习来决定的——若是历史数据标明某类任务跳过考证法子并不影响质地，系统就会学会跳过它，量入制出时刻和本钱；若是跳过之后质地下跌，系统就会学会保留这一步。这就把进程步地自己变成了一个可以优化的变量。

五、系统如安在警戒中成长

每次任务完成后，系统会收到一个综合奖励分数，这个分数由三部分构成。质地得分占最大比重，由一个叫作念RelativeJudge的评估模块给出，这个分数不是伶仃打出来的，而是把合并类任务的多条处理轨迹放在一齐横向比拟，看哪条轨迹处理得更好，就像评委同期看到统共参赛选手的饰演后再打分，而不是分开看完就打。质地得分除外，还有代币耗尽本钱的刑事株连（耗尽得越多，扣分越多）和失败重试次数的刑事株连。

得到这个综合分数后，系统会把它"反推"回刚才作念的每一个决策节点，告诉系统此次聘请是好的如故差的。这个反推机制在本事上叫作念UCB1算法的可靠性感知变体，等闲地说，即是一套"奖惩严明的警戒累积王法"。

这套王法有几个特质。第一，对于系统还没何如尝试过的聘请，会主动去探索（赐与更高的"尝鲜分"），就像新厨师风景多尝试新作念法一样。第二，跟着某个聘请被尝试的次数越来越多，这种探索倾向会逐渐裁汰，系统出手更多依赖累积的警戒（探索统共从驱动的1.4渐渐衰减，苟简75次之后安详在0.5的下限）。第三，滚球app中国官网下载入口对于那些泛泛出错的聘请（比如泛泛触发模式造作或实践失败），即使最终适度还算过得去，也会因为可靠性差而被扣分。这么的联想让系统在追求高质地的同期，也会本能地藏匿那些不安详的聘请。

累积下来的警戒存储在政策图里。政策图所以任务签名为键的结构，每个（签名，动作）组合齐纪录着历史窥伺次数、平均奖励、奖励方差、代币使用统计和失败纪录。任何东说念主齐可以掀开这个图，看到系统在处理不同类型任务时偏好什么建设、收遵循怎样、失败点在何处——这种透明性是系统联想的刻意追求，浅易运维东说念主员清楚和打扰系统的行径。

六、评估响应的可靠性亦然个问题

系统是否真实学到了正确的东西，取决于响应分数自己是否准确。商量者专门为此联想了RelativeJudge模块，并引入了交叉评审机制来考证响应信号的可靠性。

RelativeJudge的责任模样是将同类任务的多条处理轨迹放在一齐，让评判模子按照明确的评分维度打分。这四个评分维度分裂是主张已毕进程、谜底的凭证支捏进程、谐和质地，以及从造作中归附的才智。最终分数是这四个维度的加权乞降，权重可以根据实践需求调整。

更热切的是，系统不单依赖单一评判模子。在肃穆审计阶段，商量者选择了来自不同AI眷属的三个模子同期打分（Anthropic的Claude Haiku 4.5、OpenAI的GPT-5.4 mini，以及Qwen3.6-flash），取平均值行为最终适度。三个评判者的不合进程自己也会被纪录下来，行为分数的确度的目的——不合越大，这个分数的参考价值就越低，在政策更新时的权重也相应减小。

这种联想背后有一个热切的意志：AI系统打出的分数自己可能存在偏差。若是只用一个评判模子，而这个模子碰劲对某类回应格调终点偏疼，那系统学到的就不是真实好的调度政策，而是"怎样哄好这一个评判者"。用多个来自不同布景的评判模子交叉审核，能灵验减少这种偏差。

七、两个范围的实验考证

商量者在两套评估任务集上测试了AgensFlow。第一套是60个漫衍式系统故障分析任务，触及Paxos和Raft等共鸣算法、逻辑时钟、滥调传播条约、一致性哈希、故障检测等本事成见。第二套是60个合成安全建议任务，进步六个诬捏的软件供应商，测试系统在跨文档推理、建造决策正确性判断、凭证综合和未见场景打发等方面的才智。这60个安全任务又被细分为八种场景类别：C1尺度性任务、C2单文档任务、C3跨文档多供应商推理、C4综合分析、C5超出语料库的微辞情况、C6尺度性养殖任务、C7建造决策正确性、C8跨供应商配对分析。

在安全建议任务上，商量者同期运行了四套决策进行对比。固定基线决策是一个七步固定进程，一次性运行，不作念任何学习。禁用跳过的消融决策运行了八轮学习，但辞谢了skip:X动作，强制每次齐走完统共法子。主决策相似运行八轮，启用了skip:X，从零出手冷启动学习。热启动决策也运行八轮，启用skip:X，但驱动政策图班师用从漫衍式系统任务上学来的443个节点的警戒来驱动化，特殊于带着跨范围的"前东说念主警戒"来处理安全任务。

实验适度在几个维度上齐很浮现。从最终质地来看，经过学习的主决策在三评判者审计下得分为0.817，而固定基线唯有0.749，晋升幅度为0.068。热启动决策达到了0.829，比基线高0.080。禁用跳过的决策天然单评判者分数有所改善（0.662对比基线的0.622），但代价是代币耗尽险些翻倍（25198对比基线的12960），并且由于实验莫得对其进行三评判者审计，无法班师与其他决策作念最终质地比拟。主决策在代币耗尽上仅比基线杰出15%（14870对比12960），热启动决策以至只杰出3%（13371对比12960）。

按任务类别细看适度则更能领略问题。固定进程在尺度性任务（C1）上进展本来就可以（得分0.848），学习决策在C1上反而渺小下跌了0.042；在超出语料库的微辞情况（C5）上，学习决策也略低于基线（-0.024）。但在那些真实需要复杂谐和的任务类别上，学习决策的上风相等彰着：跨文档多供应商推理（C3）晋升了0.181，跨供应商配对分析（C8）晋升了0.156，建造决策正确性（C7）晋升了0.131。这个适度领略，学习的价值主要体现在那些固定进程处理起来力不从心的复杂谐和场景，而对于约略的尺度性任务，固定进程本来就能应付，学不学习风趣不大。

在模子聘请行径上，系统也展现出了故风趣的模式。默许的求解变体是想维链+Haiku的组合，但学习后的系统在八类场景中的七类齐偏离了这个默许，在C1和C2上偏向了凭证援用型变体，在C3、C4、C5、C6、C8上偏向了简略回应型变体，唯有在建造决策正确性（C7，答错代价最高）上络续使用了默许的想维链+Haiku组合。这标明系统并非约略地倾向于选更低廉的变体，而是根据每类任务的特质和风险来作念有互异的聘请。

八、从一个范围学到的警戒，能用在另一个范围吗

热启动实验专门回应了这个问题：在漫衍式系统任务上累积的谐和警戒，能不成搬动到安全建议任务上？

从单一评判者的角度看，热启动决策在全部八轮中齐优于冷启动决策，平台期（第6到8轮）质地杰出0.052，全程平均杰出0.055。但当三评判者审计出场后，这个质地上风大幅收窄——平台期只杰出0.012，全程平均只杰出0.003。

干系词代币本钱的互异是跨评判者安详存在的：热启动决策在平台期少用了约10%的代币，在全程少用了约21%的代币。换句话说，热启动的主要价值不在于最终质地的大幅晋升，而在于让系统更快找到高效的处理模样，减少了早期的探索本钱。

这个发现同期揭示了一个热切的系统性问题：单一评判者给出的论断和三评判者审计的论断可能收支很大。这意味着，若是在学习过程中只依赖单一评判者的响应，政策图累积的警戒可能带有偏差，最终适度看起来可以但实践上并不可靠。商量者把这个论断推论到了更一般的层面：若是连一个全心联想的同类对比评判机制齐可能产生这种偏差，那依靠工程直观手工联想谐和进程的偏差只会更大。评估信号的可靠性，自己即是谐和系统联想的一部分，而不是可以自后再单独处理的问题。

九、冷启动阶段的动态学习过程

商量者还纪录了主决策从零出手学习的好意思满过程，这个过程自己也很有领略价值。在学习初期，系统无数使用跳过动作，代币耗尽赶紧下跌，但速即质地也出现了下跌——系统跳过得太多，影响了处理效果。收到质地下跌的响应后，系统出手调整，减少了一些本不该跳过的法子，质地随之回升。这个"激进压缩→质地下跌→重新调整→质地安详"的过程在图表中变成了彰着的波动弧线，最终在第六轮前后参加安详的高质地阶段。

这个过程领略注解了跳过动作的确在颁奖励信号的挽救，而不是未必跳过或者机械地固定跳过。系统如实在从响应中学习怎样更好地均衡遵循和质地。

归根结底，这项商量淡薄的中枢瞻念察可以用一句话来详细：在多智能体系统里，"哪套谐和模样最佳"这个问题莫得固定谜底，它取决于任务类型、刻下景况和操作贬抑，而这些成分的组合空间大到东说念主工直观无法可靠地隐敝。AgensFlow给出的打发决策是：把这个问题变成一个可以边作念边学、有迹可查、随时可审计的在线学习问题，而不是一次性由东说念主联想好就再也不动的固定进程。

这对于实践构建AI系统的东说念主来说意味着：选哪个模子并不是最热切的问题，怎样根据任务特质动态安排多个模子和法子的配合模样，才是决定系统举座进展的重要。而这套配合模样最佳从实践任务的适度中学习，而不是从工程师的直观中推断。系统确刻下版块还只隐敝了线性加跳过的拓扑步地，并行实践、分层规画、多考证者团结等更复杂的结构步地齐是有待探索的标的。奖励信号的联想和可靠性也需要在不同部署场景下络续考试。有酷爱潜入了解这套框架联想细节和好意思满实验数据的读者，可以通过arXiv编号2605.27466查阅原论文。

Q&A

Q1：AgensFlow和AutoGen这类多智能体框架有什么本体区别？

A：AutoGen等框架让智能体通过解放对话来谐和，谐和决策和内容混在一齐，很难复用和审计。AgensFlow则把谐和决策单独索要出来，用结构化的签名和政策图纪录，让系统可以从近似的任务中学习哪种建设更好，而不是每次齐靠东说念主工写死进程。

Q2：AgensFlow的skip:X跳过动作是何如决定要不要跳的？

A：skip:X不是未必跳过，也不是事先设定哪些法子可选。系统会根据历史任务的响应适度来学习：若是某类任务跳过某个法子后质地莫得下跌，系统就会倾向于跳过；若是跳事后质地彰着下跌，系统就会学会保留这一步。通盘过程受UCB1算法驱动，均衡探索新聘请和愚弄已有警戒。

Q3：只用一个AI模子来评分会不会影响AgensFlow学到的政策？

A：会的，商量实考领略注解了这少量。用单一评判模子时滚球app(中国)官网下载，热启动决策看起来比冷启动决策在质地上有彰着上风；但换成三个不同眷属模子交叉评审后，这个质地差距大幅缓慢，主要死别变成了代币耗尽的减少。这领略单一评判者的分数可能带有偏差，依赖它来招引学习会让系统走偏，因此AgensFlow将多评判者交叉审计内置为系统的一部分。