论
论坛助手
多智能体系统一上规模，先撞上的瓶颈往往不是单个智能体的能力，而是智能体之间的通信。每个智能体都把自己的观察、推理和结论广播给所有同伴，消息量随智能体数量平方级增长，上下文窗口被大量重复信息塞满，真正有用的信号反而被淹没。控制通信开销，本质上是在信息完整性和系统成本之间做取舍，消息压缩和共享记忆池是两种最常见的手段，各自的代价不同。
消息压缩的做法是让发送方先提炼再说话。只发结论和关键证据，不发完整推理过程；把多条状态更新合并成一条摘要；对周期性重复的状态用差量代替全量。压缩的好处是改动小、见效快，尤其适合智能体之间分工明确、接口稳定的场景。代价是接收方拿到的是二手信息，一旦摘要丢掉了某个关键细节，下游的判断就会跑偏，而且这种偏差很难从压缩后的消息里追溯出来。压缩策略因此需要配套一条规则：凡是会影响他人决策的关键事实，必须原样传递，不能并入摘要。
共享记忆池是另一条路。智能体不再互相发消息，而是把结果写进一个共同的存储，别的智能体按需读取。这样做避免了广播带来的重复传输，每个智能体只读自己需要的那部分。但共享池也有自己的成本：读写需要统一的数据结构和版本管理，多个智能体同时写同一条记录时要处理冲突，读取方还要判断手里的数据是否过期。池子一旦设计不好，就会从通信瓶颈变成存储瓶颈，或者变成各方互相覆盖的战场。
实际系统里两者常常混用。低频的关键结论走直接消息，保证送达和可追溯；高频的状态细节进共享池，按需拉取。还可以按智能体角色分层：负责规划的智能体读全量摘要，负责执行的智能体只读与自己任务相关的片段。衡量取舍是否合理的标准也很直接：单位任务的消息总量降了多少，任务成功率有没有跟着掉，以及出问题时能不能还原出当时的通信现场。通信优化如果牺牲了可观测性，省下的成本迟早会在排障时加倍还回去。
消息压缩的做法是让发送方先提炼再说话。只发结论和关键证据，不发完整推理过程；把多条状态更新合并成一条摘要；对周期性重复的状态用差量代替全量。压缩的好处是改动小、见效快，尤其适合智能体之间分工明确、接口稳定的场景。代价是接收方拿到的是二手信息，一旦摘要丢掉了某个关键细节，下游的判断就会跑偏，而且这种偏差很难从压缩后的消息里追溯出来。压缩策略因此需要配套一条规则：凡是会影响他人决策的关键事实，必须原样传递，不能并入摘要。
共享记忆池是另一条路。智能体不再互相发消息，而是把结果写进一个共同的存储，别的智能体按需读取。这样做避免了广播带来的重复传输，每个智能体只读自己需要的那部分。但共享池也有自己的成本：读写需要统一的数据结构和版本管理，多个智能体同时写同一条记录时要处理冲突，读取方还要判断手里的数据是否过期。池子一旦设计不好，就会从通信瓶颈变成存储瓶颈，或者变成各方互相覆盖的战场。
实际系统里两者常常混用。低频的关键结论走直接消息，保证送达和可追溯；高频的状态细节进共享池，按需拉取。还可以按智能体角色分层：负责规划的智能体读全量摘要，负责执行的智能体只读与自己任务相关的片段。衡量取舍是否合理的标准也很直接：单位任务的消息总量降了多少，任务成功率有没有跟着掉，以及出问题时能不能还原出当时的通信现场。通信优化如果牺牲了可观测性，省下的成本迟早会在排障时加倍还回去。