这项由寥寂考虑者Nicole Koenigstein完成的考虑，以预印本风物发布于2026年5月，编号为arXiv:2605.27466，有兴味长远了解的读者可以通过该编号在arXiv平台查询完好意思论文。考虑恶果已同步开源，代码托管于GitHub平台。
假定你筹划着一家大型餐厅，厨房里有不同专长的厨师：有东谈主擅长冷盘，有东谈主擅长火候，有东谈主专门负责摆盘，还有一个专职品控员。现在来了一张订单，你需要决定：这谈菜让哪位厨师作念？要不要让品控员半途抽检？上桌前要不要再过一谈摆盘工序？淌若今天客流量很大，能弗成不详某些圭臬以简约时间？这些决定每天齐在发生，何况每谈菜的情况齐不一样——有些菜粗陋，有些菜需要多谈工序严格把关。
这恰是咫尺AI系统面对的真实逆境。大型言语模子（也即是ChatGPT那类AI）也曾不再是单打独斗了，现实中的复杂任务频频需要多个AI智能体协同完成——一个负责筹划，一个负责查找贵府，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，如何决定每次任务让哪些智能体上阵、用什么形势、按什么王法？曩昔的作念法是东谈主工把这套进程写死，就像印好了固定食谱，每谈菜齐按雷同圭臬作念。这项考虑的起点即是：固定食谱行欠亨，需要一套能根据每谈菜的脾性自动调理的"智能调度系统"。
2026美加墨世界杯中国认证平台这套系统被定名为AgensFlow，名字来自拉丁语"agens"（意为行动、驱动、主导）与英语"flow"（流动）的联结，意在强调这是一套动态流动的互助机制，而非一成不变的静态进程。
一、为什么固定进程会出问题
回到餐厅的比方：淌若你规定每谈菜必须经过冷盘厨师、火候厨师、摆盘厨师和品控员这四谈工序，那作念一碗粗陋的汤也要走这四步——这光显是糜掷。更厄运的是，当一谈复杂的和会管制降临，你的固定进程可能根柢莫得联想处理它的圭臬，整个厨房就会乱套。
AI的多智能体系统面对雷同的问题。考虑者发现，在这套系统里，至少有四个维度的决策同期交汇在通盘，统筹兼顾。第一个维度是任务类型——这谈"菜"是粗陋的单文档查询，照旧需要跨多个起原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？第二个维度是手段公约——给智能体的"责任迷惑"是恣意恢复、援用笔据、严格考证，照旧特定边界的专门处理形势？第三个维度是模子绑定——把任务分派给哪个AI模子？不同模子在智商、本钱和速率上各有互异，就像厨师有高档大厨和学徒之分。第四个维度是和洽拓扑——哪些关节要运行，按什么王法，哪些圭臬可以此次径直跳过？
这四个维度互相影响。换了一个模子，整个系统的行为可能就变了；调理了任务王法，限制也会不一样。考虑者把这称为"连系联想空间"——你弗成只优化某一个维度，因为它们是一个全体。靠工程师的直观或者一次性测试来手工联想这套树立，就像只凭厨师长的教学来打发每天变化莫测的菜单，早晚要出问题。
二、AgensFlow的中枢构想：让和洽决策变得可学习
AgensFlow的根柢想法是：与其让东谈主来写死这套进程，不如让系统从每次任务的现实限制中我方学习，逐渐酿成"教学"，下次遭受访佛情况时作念出更好的决定。这在时刻上被称为"在线战略学习"，等闲地说即是"边干边学"。
具体来说，系统每处理完一批任务，就会赢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，系统就逐渐知谈了：对于某类任务，用某个特定组合（什么手段+什么模子+要不要跳过某个圭臬）频频能得到更好的限制。这些教学被存储在一个叫作念"战略图"的结构里，就像餐厅积贮出来的一册活的菜谱教学手册，纪录着不防备况下哪种作念法最靠谱。
值得极端评释的是，系统并不会死记硬背每一谈具体的菜，而是学会了归纳。比如，它会转头出"但凡需要跨多个起原对比分析的任务，牢记让考证关节参与；而单文档的径直查询，考证关节可以跳过，省时省钱"。这种归纳智商意味着，即使来了一谈系统莫得十足见过的新菜，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、系统如何"读懂"一项任务
在长远了解学习机制之前，有必要相识系统是如何形容一项任务的。AgensFlow用一套叫作念"折叠签名"的措施来描画每个任务的特征，可以把它相识为给任务贴标签。
每个任务会被折叠成一组特征标签的组合。最初是"工况标签"，形容这个任务属于哪种基本类型：是赤忱之言的（straightforward）、笔据闹热需要综合的（evidence_heavy）、信息腌臜的（ambiguous）、信息之间存在矛盾的（contradictory）、高风险需要格外严慎的（high_risk），照旧探索性的（exploratory）。
其次是"叮嘱景色掩码"，用七个开关纪录任务处理到了哪个阶段：方针是否已明确、子问题是否已瓦解、笔据是否已采集、是否也曾有品评意见、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。
第三部分是四个通顺的"信念揣度值"：刻下谜底的预期正确进度、不细则进度、矛盾风险进度，以及笔据充分进度。这四个数值会跟着每个智能体的责任进展而束缚更新——比如当查找贵府的智能体找到了好多笔据，笔据充分进度就会高涨；当品评智能体提议了质疑，矛盾风险进度就会升高。
这套签名的精妙之处在于，两个在内容上十足不同的任务，只消它们的签名疏通，就可以分享学到的教学。比如一个对于辘集安全的分析任务和一个对于分散式系统故障的任务，淌若齐属于"需要跨多文档对比、笔据充分、矛盾风险中等"这个签名，那系统就会用兼并套战略来处理它们。这恰是系统粗略泛化学习的基础。
四、系统可以作念哪些动作
明确了如何形容任务之后，系统在每一个调度节点能作念的选拔有三大类。第一类是"召唤某个智能体用某个模子处理刻下圭臬"，比如让筹划智能体用经济型模子出一个子任务瓦解，或者让求解智能体用高智商模子生成详备谜底。第二类是"跳过某个本来盘算中的圭臬"，也即是阿谁弊端的skip:X动作。第三类是"断绝"，不外这一类不是系统主动选的，而是当评估智能体觉得任务完成、预算用完、莫得正当动作可作念、或者违抗了科罚王法时自动触发的。
在系统的树立里，求解关节有九种不同的变体，来自三种手段公约（恣意恢复型、想维链型、笔据援用型）与三种模子（haiku、fast、mini）的组合，此外还有筹划智能体、牵记检索智能体、两种辘集搜索器具、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扩充，然后不雅察限制，更新景色，再作念下一个决定。
跳过动作极端值得柔顺。在传统的固定进程里，每个圭臬要么扩充要么不扩充，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——淌若历史数据标明某类任务跳过考证圭臬并不影响质地，系统就会学会跳过它，量入为主时间和本钱；淌若跳过之后质地下跌，系统就会学会保留这一步。这就把进程风物自己变成了一个可以优化的变量。
五、系统如安在教学中成长
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，这个分数不是孤苦孤身一人打出来的，而是把兼并类任务的多条处理轨迹放在通盘横向比拟，看哪条轨迹处理得更好，就像评委同期看到悉数参赛选手的扮演后再打分，而不是分开看完就打。质地得分除外，还有代币枉然本钱的处分（枉然得越多，扣分越多）和失败重试次数的处分。
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，告诉系统此次选拔是好的照旧差的。这个反推机制在时刻上叫作念UCB1算法的可靠性感知变体，等闲地说，即是一套"奖惩分审的教学积贮王法"。
这套王法有几个脾性。第一，对于系统还没怎样尝试过的选拔，会主动去探索（予以更高的"尝鲜分"），就像新厨师欢快多尝试新作念法一样。第二，跟着某个选拔被尝试的次数越来越多，这种探索倾向会逐渐缩小，系统出手更多依赖积贮的教学（探索悉数从运转的1.4渐渐衰减，约莫75次之后踏实在0.5的下限）。第三，鲸鱼直播对于那些浅显出错的选拔（比如浅显触发神气颠倒或扩充失败），即使最终限制还算过得去，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，也会本能地隐敝那些不踏实的选拔。
积贮下来的教学存储在战略图里。战略图所以任务签名为键的结构，每个（签名，动作）组合齐纪录着历史探询次数、平均奖励、奖励方差、代币使用统计和失败纪录。任何东谈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树立、顺利率如何、失败点在那处——这种透明性是系统联想的刻意追求，浅陋运维东谈主员相识和搅扰系统的行为。
六、评估响应的可靠性亦然个问题
系统是否简直学到了正确的东西，取决于响应分数自己是否准确。考虑者专门为此联想了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的责任形势是将同类任务的多条处理轨迹放在通盘，让评判模子按照明确的评分维度打分。这四个评分维度永诀是方针终了进度、谜底的笔据相沿进度、和洽质地，以及从颠倒中复原的智商。最终分数是这四个维度的加权乞降，权重可以根据现实需求调理。
更蹙迫的是，系统不单依赖单一评判模子。在认真审计阶段，考虑者选定了来自不同AI家眷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），取平均值动作最终限制。三个评判者的不对进度自己也会被纪录下来，动作分数确切度的方针——不对越大，这个分数的参考价值就越低，在战略更新时的权重也相应减小。
这种联想背后有一个蹙迫的意志：AI系统打出的分数自己可能存在偏差。淌若只用一个评判模子，而这个模子偶合对某类恢复格调极端偏疼，那系统学到的就不是确切好的调度战略，而是"如何哄好这一个评判者"。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、两个边界的实验考证
考虑者在两套评估任务集上测试了AgensFlow。第一套是60个分散式系统故障分析任务，波及Paxos和Raft等共鸣算法、逻辑时钟、谎话传播公约、一致性哈希、故障检测等时刻观念。第二套是60个合成安全建议任务，进步六个假造的软件供应商，测试系统在跨文档推理、斥地决策正确性判断、笔据综合和未见场景打发等方面的智商。这60个安全任务又被细分为八种场景类别：C1圭臬性任务、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圭臬性繁衍任务、C7斥地决策正确性、C8跨供应商配对分析。
在安全建议任务上，考虑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，但谢绝了skip:X动作，强制每次齐走完悉数圭臬。主决策雷同运行八轮，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，但运转战略图径直用从分散式系统任务上学来的443个节点的教学来运滚动，极度于带着跨边界的"前东谈主教学"来处理安全任务。
实验限制在几个维度上齐很明晰。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，普及幅度为0.068。热启动决策达到了0.829，比基线高0.080。禁用跳过的决策诚然单评判者分数有所改善（0.662对比基线的0.622），但代价是代币枉然险些翻倍（25198对比基线的12960），何况由于实验莫得对其进行三评判者审计，无法径直与其他决策作念最终质地比拟。主决策在代币枉然上仅比基线杰出15%（14870对比12960），热启动决策以致只杰出3%（13371对比12960）。
按任务类别细看限制则更能评释问题。固定进程在圭臬性任务（C1）上阐扬本来就可以（得分0.848），学习决策在C1上反而眇小下跌了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）。但在那些确切需要复杂和洽的任务类别上，学习决策的上风相等昭着：跨文档多供应商推理（C3）普及了0.181，跨供应商配对分析（C8）普及了0.156，斥地决策正确性（C7）普及了0.131。这个限制评释，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和洽场景，而对于粗陋的圭臬性任务，固定进程本来就能应付，学不学习意旨不大。
在模子选拔行为上，系统也展现出了故趣味的面孔。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上偏向了笔据援用型变体，在C3、C4、C5、C6、C8上偏向了恣意恢复型变体，唯有在斥地决策正确性（C7，答错代价最高）上络续使用了默许的想维链+Haiku组合。这标明系统并非粗陋地倾向于选更低廉的变体，而是根据每类任务的脾性和风险来作念有互异的选拔。
八、从一个边界学到的教学，能用在另一个边界吗
热启动实验专门恢复了这个问题：在分散式系统任务上积贮的和洽教学，能弗成迁徙到安全建议任务上？
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。
策动词代币本钱的互异是跨评判者踏实存在的：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普及，而在于让系统更快找到高效的处理形势，减少了早期的探索本钱。
这个发现同期揭示了一个蹙迫的系统性问题：单一评判者给出的论断和三评判者审计的论断可能进出很大。这意味着，淌若在学习过程中只依赖单一评判者的响应，战略图积贮的教学可能带有偏差，最终限制看起来可以但现实上并不可靠。考虑者把这个论断扩充到了更一般的层面：淌若连一个经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和洽进程的偏差只会更大。评估信号的可靠性，自己即是和洽系统联想的一部分，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
考虑者还纪录了主决策从零出手学习的完好意思过程，这个过程自己也很有评释价值。在学习初期，系统多半使用跳过动作，代币枉然赶快下跌，但立时质地也出现了下跌——系统跳过得太多，影响了处理效果。收到质地下跌的响应后，系统出手调理，减少了一些本不该跳过的圭臬，质地随之回升。这个"激进压缩→质地下跌→再行调理→质地踏实"的过程在图表中酿成了昭着的波动弧线，最终在第六轮前后干涉安适的高质地阶段。
这个过程解说了跳过动作的确在颁奖励信号的鼎新，而不是偶而跳过或者机械地固定跳过。系统如实在从响应中学习如何更好地均衡遵守和质地。
归根结底，这项考虑提议的中枢知悉可以用一句话来详尽：在多智能体系统里，"哪套和洽形势最佳"这个问题莫得固定谜底，它取决于任务类型、刻下景色和操作拘谨，而这些成分的组合空间大到东谈主工直观无法可靠地肃清。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，而不是一次性由东谈主联想好就再也不动的固定进程。
这对于现实构建AI系统的东谈主来说意味着：选哪个模子并不是最蹙迫的问题，如何根据任务脾性动态安排多个模子和圭臬的配合形势，才是决定系统全体阐扬的弊端。而这套配合形势最佳从现实任务的限制中学习，而不是从工程师的直观中推断。系统确刻下版块还只肃清了线性加跳过的拓扑风物，并行扩充、分层筹划、多考证者互助等更复杂的结构风物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磨练。有兴味长远了解这套框架联想细节和完好意思实验数据的读者，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骨子区别？
A：AutoGen等框架让智能体通过解放对话来和洽，和洽决策和内容混在通盘，很难复用和审计。AgensFlow则把和洽决策单独索求出来，用结构化的签名和战略图纪录，让系统可以从相通的任务中学习哪种树立更好，而不是每次齐靠东谈主工写死进程。
Q2：AgensFlow的skip:X跳过动作是怎样决定要不要跳的？
A：skip:X不是偶而跳过，也不是事前设定哪些圭臬可选。系统会根据历史任务的响应限制来学习：淌若某类任务跳过某个圭臬后质地莫得下跌，系统就会倾向于跳过；淌若跳事后质地昭着下跌，系统就会学会保留这一步。整个过程受UCB1算法驱动，均衡探索新选拔和愚弄已有教学。
Q3：只用一个AI模子来评分会不会影响AgensFlow学到的战略？
A：会的鲸鱼直播，考虑实考解说了这少量。用单一评判模子时，热启动决策看起来比冷启动决策在质地上有昭着上风；但换成三个不同家眷模子交叉评审后，这个质地差距大幅消弱，主要判袂变成了代币枉然的减少。这评释单一评判者的分数可能带有偏差，依赖它来迷惑学习会让系统走偏，因此AgensFlow将多评判者交叉审计内置为系统的一部分。