一组来自Meta FAIR与哈佛大学的研究者在10月12日提交预印本ScaleMAS，提出一种以“共享消息底座”替代固定式多智能体工作流的协作方法。论文指出，传统多智能体系统在规模扩大后容易出现三类问题：每个代理需要阅读越来越多的信息、不同质量的工作被混在一起，以及部分代理失效会拖累整体流程。论文原文
ScaleMAS的核心不是让所有代理读取完整上下文，而是让异步代理向共享数据存储发布带有引用关系的消息，并通过内容搜索和地址访问获取所需信息。搜索结果数量受到限制，同时结合相关性和被引用次数排序；即使产生消息的代理离开，已有成果仍然保留。这样做试图把协作从“所有人看所有人的输出”转变为按需检索和逐步复用。
论文在BrowseComp-Plus、FATE-M、Contradiction Audit和SWE-bench Verified等四项任务上，将ScaleMAS与并行ReAct、MAD、DeLM等方法比较。作者报告称，在使用Qwen3.5-9B时，BrowseComp-Plus上代理数量从1增加到16，ScaleMAS的成绩从38.1%提升到65.3%；在Contradiction Audit x4上则从4.1%提升到29.4%。在相近推理计算量下，8个ScaleMAS代理在BrowseComp-Plus上达到60.0%，而16个DeLM代理为26.0%；在SWE-bench Verified上，4个ScaleMAS代理以约一半令牌量达到与8个ReAct代理相同的80.0%。
值得注意的是，这些数字来自研究团队自己的实验，且不同任务的收益并不完全一致。论文显示，ScaleMAS在部分任务上扩展到128个代理后仍能提升或保持性能，但在FATE-M等任务上较早趋于平台期；这意味着共享消息机制可能改善信息复用，却不能自动突破底层模型能力、任务设计和消息质量的限制。消息被引用次数也只是质量的间接指标，错误信息一旦被广泛复用，可能形成新的协作风险。
对智能体系统开发者而言，这项工作提供了一个具体观察方向：多代理扩展的瓶颈未必只是模型数量，而可能是上下文组织、成果筛选和失败恢复机制。后续评估应同时记录准确率、总令牌量、代理读取负担、错误消息传播和部分节点退出后的恢复能力。当前材料是一篇10月12日提交的预印本，尚不能视为经过同行评审的定论。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
