AI Agent 蜂群实验室
5 种多智能体范式机制对照——机制工坊 · 通信开销竞技场 · 涌现观测站 · 论文速览
⚖ 2026-09-16 数据修订：四篇论文的作者、会议与机制已逐篇回源 arXiv 核验，100 个无源 benchmark 数字已整表删除，改为机制对照与拓扑真算
Differentiable Mixture-of-Agents
动态路由拓扑 · 示意规模 n=4
节点数按各范式论文中的代表配置固定，不是论文实测规模；想自由改 n 请看下方「通信开销」的通用拓扑对照表。
💡 核心机制
可微路由 + 逐步稀疏激活
推理时逐步动态路由并稀疏激活 agent，用预测熵做自监督信号，不需要外部标注
🔬 机制五维（论文可核实，不含分数）
是否可微✅ 可微
演化发生期推理期（test-time adaptation）
backbone 参数不动
通信载体文本（路由在 token 之外、step 之内）
论文规模9 个 benchmark；路由上限 K 与 baseline 的 agent 数对齐
📡 通信开销：当前拓扑实际边数（🧮 真算）
旧版无论选哪个范式，都固定打印「星形 n−1 / 环形 n / 全连接 n(n−1)/2」三条，与左边渲染的图对不上。现在只算当前拓扑，其余作为对照。
对照用的通用拓扑 n =6
| 拓扑（n=6） | 边数 | 关键路径深度 | 说明 |
|---|---|---|---|
| 星形 | 5 | 1 | 中心节点单点故障，边数最少（n−1） |
| 环形 | 6 | 3 | 边数 = n，但关键路径随 n 线性增长 |
| 全连接 | 15 | 1 | 边数 O(n²)，深度 1，通信爆炸 |
| 层级树 | 5 | 2 | 按堆式二叉树生成，深度 O(log n) |
| 动态路由← 当前 | 9 | 1 | 环 + 路由中心捷径，深度取决于中心连通度 |
⚡ DMoA 当前拓扑（动态路由，n=4）：5 条边 · 关键路径 1 跳
📖 文献值（论文 / arXiv 原文转录，非本工具实算）
- · 五篇论文的标题、作者、机构、arXiv 编号与提交日期，均取自 arXiv abs 页元数据
- · DMoA 89.38 / 74.22 / 83.91 取自正文 Table 2；RecursiveMAS 的 +8.3% · 1.2–2.4× · 34.6–75.6% 与 TacoMAS 的 +13.3% 取自摘要
- · Kimi K2.5 的 4.5× 取自摘要；DeepMind 蜂群案例的全部数字取自 arXiv:2609.04170 全文（未同行评审）
🧮 浏览器内真算
- · 拓扑边数、关键路径深度（BFS 最大跳数）、消息总量 = 边数 × 2 × 轮数
- · 涌现观测站三条指标：共识度（散布归一化）、极化度（簇间 / 簇间+簇内）、多样性（Shannon 熵 / log n），全部逐帧从粒子真实坐标计算
- · DMoA 的 +15.16 与 +5.47 由表内两个原文数字相减得到，不是第三方转述
⚠ 教学模型 / 示意值
- · 粒子动力学是示意模型，不对应任何一篇论文的真实系统；涌现观测站与 DeepMind 的 100 agent 实验不可比
- · 竞速速度 = 1 / 消息总量（串行）或 1 / 关键路径（并行），是教学假设，不含排队、失败重试、上下文长度等真实因素
- · 各范式的 drawN 只是画图用的示意规模，不是论文实测规模；论文规模见 Tab 4 的文字表述
- · 公式栏标注「示意」的写法为本工具整理，原文未以该形式给出