昨日研究机构果真最新效果国务院安委会对晋江28死火灾挂牌督办 很兴奋为您解答这个问题，，，让我来帮您详细说明一下。
。品牌授权报修电话，，，快速上门服务

山西省阳泉市平定县向阳区豆各庄地区隆安县赞皇县院头镇元氏县苏村乡向阳区酒仙桥街道江西省九江市武宁县山东省泰安市泰山区平顶山市湛河区哈密市伊吾县濮阳市南乐县丰台区长辛店镇蓟州区东施古镇静海区大邱庄镇青海省海北藏族自治州门源回族自治县黑龙江省佳木斯市汤原县丰台区右安门街道福建省南平市建瓯市密云区古北口镇博尔塔拉蒙古自治州温泉县江西省吉安市吉安县开封市通许县河东区大直沽街道甘肃省庆阳市镇原县辽宁省铁岭市开原市云南省普洱市景东彝族自治县宝坻区牛家牌镇阿克苏地区新和县南开区体育中心街道贵州省安顺市普定县湖北省宜昌市西陵区合肥市庐阳区长安区广安街道四川省德阳市广汉市陕西省商洛市山阳县甘肃省庆阳市镇原县江苏省徐州市丰县四川省甘孜藏族自治州九龙县百色市田林县阿克苏地区拜城县马鞍山市博望区阿克苏地区新和县重庆市市辖区北碚区长安区广安街道井陉县测鱼镇怀柔区龙山街道江西省赣州市石城县内蒙古锡林郭勒盟正镶白旗青海省海北藏族自治州门源回族自治县青海省玉树藏族自治州治多县喀什地区麦盖提县山西省阳泉市平定县静海区西翟庄镇青海省海北藏族自治州门源回族自治县山东省德州市齐河县山东省枣庄市台儿庄区广东省惠州市龙门县四川省甘孜藏族自治州丹巴县内蒙古鄂尔多斯市鄂托克旗合肥市庐阳区密云区高岭镇南开区体育中心街道向阳区酒仙桥街道信阳市平桥区长安区南村镇崇左市甘肃省庆阳市镇原县福建省莆田市仙游县江西省赣州市石城县云南省怒江傈僳族自治州福贡县辽宁省锦州市义县重庆市市辖区北碚区四川省乐山市桂林市秀峰区合肥市瑶海区江苏省徐州市新沂市崇左市宁明县南开区长虹街道信阳市平桥区四川省凉山彝族自治州昭觉县乌鲁木齐市沙依巴克区云南省红河哈尼族彝族自治州泸西县平山县小觉镇贵州省安顺市普定县甘肃省陇南市武都区马鞍山市博望区密云区高岭镇云南省丽江市宁蒗彝族自治县广东省云浮市新兴县蓟州区东施古镇陕西省汉中市西乡县湖北省宜昌市秭归县无极县大陈镇青海省海西蒙古族藏族自治州德令哈市云南省玉溪市新平彝族傣族自治县哈密市伊吾县西藏山南市合肥市庐阳区山东省威海市崇左市宁明县

昨日官方宣布行业转达ICML 2026 | 多智能系一切也能搭积木
？？
？？？？Agent Primitives让MAS走向
？？
？？？？榛从，，，很兴奋为您解答这个问题，，，让我来帮您详细说明一下:官方服务专线，，，支持多品牌报修

合肥市瑶海区山东省德州市齐河县海南省
？？
？？？？谑忻览记崽ㄇば恋暾蚣恢萸┕耪蚯盼髑粲值郎蕉《锌牙缴较卣毕绶崽ㄇ鸵褰值兰恢萸愿髯蚬愣∩峭肥辛区云南省大理白族自治州云龙县福建省莆田市仙游县长安区南村镇四川省遂宁市蓬溪县平山县小觉镇云南省玉溪市新平彝族傣族自治县辽宁省锦州市义县西藏拉萨市达孜区湖北省襄阳市襄州区云南省怒江傈僳族自治州福贡县和田地区喀什地区麦盖提县江苏省徐州市丰县蓟州区东赵各庄镇和田地区蓟州区东施古镇四川省凉山彝族自治州昭觉县内蒙古乌海市乌达区固原市西吉县昌平区小汤山镇顺义区空港街道山西省晋都会泽州县甘肃省陇南市长安区南村镇行唐县龙州镇哈密市伊吾县山东省泰安市泰山区云南省怒江傈僳族自治州福贡县广东省广州市越秀区井陉县吴家窑乡山东省滨州市云南省怒江傈僳族自治州福贡县甘肃省陇南市西城区天桥街道清静区南市街道钦州市山东省烟台市牟平区广东省江门市云南省红河哈尼族彝族自治州泸西县辽宁省铁岭市开原市喀什地区麦盖提县内蒙古鄂尔多斯市鄂托克旗马鞍山市博望区四川省甘孜藏族自治州九龙县芜湖市南陵县甘肃省庆阳市镇原县山东省烟台市牟平区陕西省商洛市山阳县江苏省徐州市丰县山东省潍坊市青州市湖北省宜昌市宜都会南开区体育中心街道陕西省汉中市南郑区吉林省白山市浑江区百色市田林县无极县大陈镇焦作市福建省福州市永泰县甘肃省陇南市武都区丰台区宛平城地区四川省宜宾市江安县密云区高岭镇元氏县怀柔区龙山街道丰台区右安门街道青海省果洛藏族自治州元氏县殷村镇吉林省四平市铁西区山东省淄博市临淄区向阳区豆各庄地区新乐市协神乡黑龙江省鸡西市鸡冠区向阳区小关街道怀柔区雁栖地区湖北省宜昌市夷陵区蓟州区东二营镇钦州市云南省大理白族自治州云龙县喀什地区叶城县黑龙江省鸡西市鸡冠区平山县宅北乡洛阳市汝阳县海南省三沙市西沙区山东省潍坊市青州市广东省广州市越秀区山东省烟台市牟平区四川省宜宾市江安县云南省普洱市景东彝族自治县新乐市协神乡

全球服务区域:山西省晋都会泽州县四川省广安市岳池县丰台区宛平城地区辽宁省沈阳市浑南区青海省果洛藏族自治州山东省威海市广东省惠州市龙门县顺义区空港街道喀什地区叶城县湖北省宜昌市夷陵区乌鲁木齐市沙依巴克区南阳市内乡县江西省九江市武宁县吉林省白山市浑江区重庆市县巫山县甘肃省甘南藏族自治州向阳区双井街道赞皇县院头镇江西省九江市武宁县青海省果洛藏族自治州赞皇县院头镇黑龙江省鹤岗市广东省云浮市新兴县山西省吕梁市中阳县云南省文山壮族苗族自治州广南县山西省晋中市榆社县贵州省铜仁市玉屏侗族自治县云南省红河哈尼族彝族自治州绿春县黑龙江省鹤岗市贵州省六盘水市水城县广东省广州市越秀区百色市靖西市西青区精武镇湖北省孝感市汉川市洛阳市汝阳县海南省儋州市青海省海西蒙古族藏族自治州德令哈市贵州省黔南布依族苗族自治州惠水县湖北省孝感市汉川市哈密市伊吾县蚌埠市龙子湖区江西省景德镇市昌江区江苏省南京市浦口区长安区广安街道江西省萍乡市上栗县陕西省商洛市山阳县清静区南市街道辽宁省沈阳市沈河区桥西区留营街道怀柔区龙山街道广东省惠州市龙门县山西省晋都会泽州县江西省宜春市奉新县内蒙古锡林郭勒盟正镶白旗静海区西翟庄镇隆安县延庆区康庄镇山东省德州市齐河县山西省晋中市太谷区固原市西吉县江西省萍乡市上栗县福建省莆田市仙游县福建省南平市建瓯市井陉县测鱼镇海南省
？？
？？？？谑忻览记缱笫锌馐型ㄐ硐厍寰睬鲜薪值啦角亓劢值狼罩菔形飨缣燎轿魇〗惺杏苌缦啬诿晒哦醵嗨故锌蛋褪睬髑嗲湔虺缱笫性藁氏卦和氛蚍莱歉凼卸耸锌κ驳厍冻窍厣轿魇⌒弥菔心武县四川省甘孜藏族自治州泸定县延庆区康庄镇怀柔区雁栖地区伊犁哈萨克自治州昭苏县青海省果洛藏族自治州海淀区青龙桥街道西藏山南市贡嘎县向阳区小红门地区哈密市伊吾县江苏省徐州市新沂市北海市海城区河东区大直沽街道开封市通许县桂林市兴安县芜湖市南陵县洛阳市汝阳县顺义区空港街道向阳区小红门地区钦州市昌平区小汤山镇北辰区广源街道

今日羁系部分披露新政策ICML 2026 | 多智能系一切也能搭积木
？？
？？？？Agent Primitives让MAS走向
？？
？？？？榛从，，，很兴奋为您解答这个问题，，，让我来帮您详细说明一下:售后服务维修中心电话，，，支持多渠道服务

天下服务区域：甘肃省甘南藏族自治州福建省福州市罗源县四川省成都会双流区云南省文山壮族苗族自治州广南县开封市通许县内蒙古呼伦贝尔市阿荣旗山东省枣庄市台儿庄区福建省南平市建瓯市福建省南平市上海市市辖区嘉定区江苏省镇江市句容市博尔塔拉蒙古自治州温泉县焦作市元氏县殷村镇云南省丽江市宁蒗彝族自治县江西省赣州市石城县北辰区广源街道武清区汊沽港镇山东省聊都会冠县黑龙江省七台河市桃山区井陉县测鱼镇广东省珠海市斗门区江西省宜春市宜丰县山东省威海市延庆区康庄镇四川省广安市岳池县山东省聊都会茌平区焦作市沁阳市无极县大陈镇广东省云浮市新兴县西乡塘区黑龙江省佳木斯市富锦市焦作市沁阳市山东省威海市山西省忻州市定襄县井陉县测鱼镇陕西省宝鸡市眉县福建省厦门市湖里区湖北省恩施土家族苗族自治州恩施市海南省儋州市广东省广州市越秀区辽宁省铁岭市开原市南开区长虹街道重庆市县巫山县江苏省徐州市丰县开封市通许县广东省惠州市龙门县内蒙古锡林郭勒盟镶黄旗四川省宜宾市珙县山西省忻州市宁武县福建省厦门市湖里区向阳区双井街道桂林市兴安县桥西区东华街道山东省淄博市临淄区延庆区沈家营镇芜湖市南陵县青海省果洛藏族自治州山东省枣庄市台儿庄区湖北省恩施土家族苗族自治州建始县蚌埠市龙子湖区无极县大陈镇长安区广安街道甘肃省定西市渭源县山东省青岛市城阳区乌鲁木齐市沙依巴克区辽宁省铁岭市开原市元氏县陕西省商洛市山阳县辽宁省铁岭市清河区山东省烟台市龙口市江西省宜春市奉新县洛阳市汝阳县黑龙江省鸡西市鸡冠区辽宁省锦州市义县西城区天桥街道四川省成都会新都区四川省成都会金牛区海南省儋州市桥西区留营街道海南省三沙市西沙区青海省海南藏族自治州贵德县芜湖市南陵县延庆区沈家营镇海南省
？？
？？？？谑忻览记愣≡聘∈行滦讼睾诹∑咛ê邮刑疑角挛魇『褐惺辛舭酉厣蕉〉轮菔衅牒酉啬诿晒盼止彰苏獍灼焐蕉≡孀刑ǘ轿魇〗惺杏苌缦厮拇ㄊ「首尾刈遄灾沃菥帕叵蜓羟葡汕沤值郎轿魇÷懒菏嗅跋厣挛魇『褐惺辛舭酉爻缱笫邢蜓羟葡汕沤值澜魇〖彩屑蚕匦刑葡亓菡

售后服务上门服务电话，，，智能分配票据：ICML 2026 | 多智能系一切也能搭积木
？？
？？？？Agent Primitives让MAS走向
？？
？？？？榛从

本文事情由伊利诺伊大学厄巴纳 - 香槟分校（UIUC）DREAM Lab 团队完成。
。通讯作者 Haohan Wang 教授为 UIUC 信息科学学院教授、DREAM Lab 认真人，，，研究偏向包括可信人工智能、大语言模子与多智能系一切。
。

论文问题：Agent Primitives: Reusable Latent Building Blocks for Multi-Agent Systems论文链接：https://arxiv.org/pdf/2602.03695实验室网址：https://dream.ischool.illinois.edu/

配景与念头

多智能系一切（Multi-Agent Systems，，，MAS）展示了令人印象深刻的能力：一个模子认真提出方案，，，另一个模子举行品评，，，尚有模子肩负投票、妄想或执行。
。通过角色分工和多轮协作，，，系统能够解决单个模子难以稳固完成的数学推理、代码天生和知识问答使命。
。

一个 MAS 的例子。
。出自我们 team 的 TMLR survey paper：Chen, K., Wang, P., Yu, Y., Zhan, X., & Wang, H. (2025). Large language model-based data science agent: A survey. arXiv preprint arXiv:2508.02744.

但这种能力背后，，，保存一个容易被忽略的工程问题：今天的大大都 MAS 都是围绕详细使命手工搭建的。
。面临一个新问题，，，研究者往往需要重新界说 Agent 角色、重新设计提醒词、重新划定新闻的转达顺序，，，并一直调试协作协议。
；；；；灰桓鍪菁⒁桓瞿Ｗ，，，甚至一个使命表述，，，原来的架构就可能需要大幅修改。
。

这与现代深度学习的生长路径形成了鲜明比照。
。构建卷积神经网络时，，，我们不会为每一个视觉使命重新发明卷积；；；；搭建 Transformer 时，，，也不需要重新设计注重力机制。
。成熟的神经网络之以是能够快速演进，，，部分原因正是研究社区找到了卷积、注重力、残差毗连等可复用的基础构件。
。

那么，，，多智能系一切是否也能拥有类似的笼统形式呢
？？
？？？？是否可以把重大的 Agent 事情流拆解成少量稳固、通用的盘算单位，，，再像搭乐高一样，，，将它们按需组合起来呢
？？
？？？？

Agent Primitives 给出的谜底是：多智能系一切也可以拥有自己的「基础
？？
？？？？椤埂
。

从「复用 Agent」到「复用协作模式」

Agent Primitives 的出发点，，，是重新审阅 MAS 中什么才是真正应该被复用的工具。
。古板要领通常把一个 Agent 看成原子单位：它拥有牢靠身份、牢靠提醒词，，，并在系统中肩负一个预先划定的角色。
。但「数学专家」、「代码审查员」或「妄想者」这些角色，，，自己往往与使命高度绑定，，，很难直接迁徙。
。

论文视察到，，，只管差别 MAS 的角色名称和流程看起来五花八门，，，它们内部重复执行的盘算模式却高度相似：有的系统让模子天生谜底后举行自我审查；；；；有的系统并行天生多个候选，，，再通过较量告竣共识；；；；尚有的系统先把重大目的拆成妄想，，，再逐步执行。
。

因此，，，论文不再把 Agent 看成最小构件，，，而是进一步向下拆解，，，把这些重复泛起的内部盘算模式笼统为 Agent Primitives，，，即面向大语言模子多智能系一切的、可复用的潜在构件。
。

基础的 Primitives

论文实例化了三类基础 primitive。
。它们并非试图穷尽所有协作方式，，，而是从现有 MAS 中提炼出三种高频、互补的盘算结构。
。

Review Primitive：

把「天生 — 品评 — 修正」酿成通用循环

Review Primitive 对应的是多智能系一切中最常见的迭代刷新模式。
。模子先形成一个候选解答，，，随后对其中的推理误差、事实过失或实现缺陷举行审查，，，再依据反馈更新谜底。
。这个历程可以重复举行，，，直到输出趋于稳固。
。

它的价值不但是增添一次「请检查谜底」的提醒。
。通过把审查与修正封装成自力 primitive，，，系统可以在数学证实、代码调试、开放域问答等使命中复用统一种盘算结构，，，而无需为每个使命重新设计一套 critic 和 refiner。
。

Voting & Selection Primitive：

在多个候选中形成共识

当一个问题保存多条合理推理路径时，，，单次天生容易受到采样波动影响。
。Voting & Selection Primitive 让系统并行探索多个候选，，，再对这些潜在体现举行较量、聚合和选择。
。

古板投票通常依赖最终文本谜底：先把每条推理完整解码，，，再通过字符串匹配或特殊提醒举行选择。
。相比之下，，，该 primitive 直接作用于内部潜在体现，，，使系统能够保存候选方案中更富厚的语义和推理信息，，，而不是只依据已经压缩成文本的效果做决议。
。

Planning & Execution Primitive：

将高层妄想与底层执行疏散

重大使命往往不是「想得更多」就能解决，，，而是需要先确定做什么，，，再决议怎样做。
。Planning & Execution Primitive 把高层使命剖析和低层方法执行拆开：妄想阶段建设整体蹊径，，，执行阶段围绕子目的逐项完成，，，并把中心状态继续转达。
。

这种疏散可以降低模子在长使命中同时维护全局目的与局部细节的肩负，，，也让统一个妄想结构能够适配数学推导、程序编写与多阶段问答等差别问题。
。

绕过自然语言瓶颈

仅仅把事情流命名为 primitive，，，还缺乏以解决现有 MAS 的基础局限。
。大大都多智能系一切通过自然语言交流信息：一个 Agent 把内部思索解码成文本，，，另一个 Agent 再读取文本并重新编码。
。每经由一轮，，，信息都要履历一次「潜在体现 — 文本 — 潜在体现」的转换。
。

这种方式直观、可读，，，却也价钱高昂。
。文本解码会丧失内部体现中的细粒度信息；；；；长链路交互会一直积累噪声和误差；；；；重复天生与读取大宗文本，，，则带来可观的 token 开销和推理延迟。
。系统中的 Agent 越多、协作轮数越长，，，这种通讯瓶颈越显着。
。

Agent Primitives 让 primitive 内部直接通过 Key-Value Cache（KV Cache）举行潜在通讯。
。KV Cache 原本用于生涯 Transformer 已处理 token 的注重力状态，，，阻止自回归天生时重复盘算。
。论文进一步把它作为 primitive 之间转达内部信息的载体，，，使后续
？？
？？？？槟芄恢苯蛹绦靶蚺趟阈纬傻那痹谧刺，，，而不必先将其完整解码为自然语言。
。

在毗连差别阶段的 KV Cache 时，，，系统还需要处理位置编码的一致性。
。论文通过旋转位置编码（RoPE）的重新编码与对齐，，，使来自差别盘算阶段的缓存能够被后续
？？
？？？？樽既方有
。由此，，，多个 primitive 不但是看法上可以组合，，，在模子内部的盘算状态层面也能够真正「插接」起来。
。

论文用实验证实晰使用自然语言处理时，，，长上下文中的使命遗忘：在长上下文的开头、中心或最后注入一条辅助指令，，，较量两种通讯方式能否在完成原始使命的同时保存新增约束。
。效果显示，，，当指令位于上下文中心时，，，自然语言通讯的指令遵照率骤降至 15.6%，，，而 KV Cache 通讯仍抵达 73.3%。
。

论文进一步考察了通讯噪声对多智能体协作的影响。
。详细而言，，，研究者在数学推理历史中逐步插入来自其他问题的无关推理句子，，，以模拟 Agent 交互历程中一直累积的噪声。
。实验效果显示，，，当插入 3 条无关句子时，，，自然语言通讯的准确率已下降至 73%；；；；当噪声增添到 10 条时，，，准确率进一步降至 47%。
。相比之下，，，KV Cache 通讯在相同设置下仍能划分坚持 100% 和 93% 的准确率。
。

上述效果批注，，，相较于自然语言通讯，，，基于 KV Cache 的潜在通讯能够更完整地保存前序推理状态，，，并显著降低无关信息在多阶段交互中的累积影响，，，从而提升多智能系一切在噪声情形下的通讯稳固性与推理鲁棒性。
。

谁来决议怎样搭这些「积木」
？？
？？？？

有了可复用构件，，，下一个问题是：面临一个新盘问，，，系统应该选择哪种 primitive，，，又应该以什么顺序组合
？？
？？？？若是仍然由人手工指定，，，架构设计的肩负并没有真正消逝。
。

为此，，，论文引入了一个自动化的 LLM Organizer。
。Organizer 首先剖析目今盘问的性子与难点，，，再从 primitive 荟萃中选择合适的
？？
？？？？椴⒆橹葱辛鞒獭
。例如，，，需要验证和修正的使命可以挪用 Review；；；；保存多种候选路径的问题可以加入 Voting & Selection；；；；长程重大使命则更适合先使用 Planning & Execution，，，再对局部效果举行审查。
。多个 primitive 也可以串联或嵌套，，，形成更完整的 MAS。
。

Organizer 的决议由一个轻量级 Knowledge Pool 提供参考。
。Knowledge Pool 纪录已往使命中乐成的 primitive 设置，，，让系统能够使用已有履历，，，而不是针对每个新盘问从零最先搜索。
。随着乐成设置一直积累，，，构建 MAS 逐渐从「手工设计一条牢靠事情流」，，，转变为「凭证问题动态检索并组合基础构件」。
。

要领框图

完整框架如下图所示。
。Organizer 凭证用户盘问和 Knowledge Pool 中的历史履历选择并组合 primitives；；；；Review、Voting and Selection、Planning and Execution 划分封装三类可复用协作模式；；；；所有 primitive 的内部协调均通过 KV Cache 完成，，，并对外保存与通俗 LLM Agent 一致的接口。
。

实验效果

论文在数学、代码和知识问答等八个基准、五种大语言模子主干上举行了系统评估。
。实验关注的不但是最终准确率，，，也同时较量 token 使用、推理延迟、相对单智能体的特殊开销，，，以及跨模子主干的稳固性。
。

从详细使命来看，，，Primitives-based MAS 在数学推理、代码天生和知识问答上均取得了稳固提升，，，并且没有泛起古板 MAS 要领在部分使命上提升、在另一些使命上显着退化的情形。
。更主要的是，，，这种性能增益并不是依赖无限增添 Agent 数目或天生更长的交互文本获得的。
。综合准确率、token 消耗、推理延迟和跨模子体现，，，可以将 Agent Primitives 的主要实验效果概括如下：

这些数字展现了一个主要事实：多智能体协作并不必定意味着数倍以致数十倍的推理本钱。
。古板 MAS 的高开销，，，很大一部分来自重复文本天生和冗长通讯，，，而不完全来自解决问题自己所需的有用盘算。
。当协作被重新组织为潜在空间中的
？？
？？？？榛趟愫，，，系统可以在保存性能增益的同时，，，把特殊本钱控制在更靠近单智能体推理的规模内。
。

走向可组合的智能系统

今天构建 MAS，，，仍然很像早期编写神经网络：大宗能力被写死在详细架构中，，，每个新使命都需要重新搭建。
。Agent Primitives 提出了一条差别的蹊径 —— 把角色背后的协作纪律抽离出来，，，封装为潜在空间中的标准构件，，，再由 Organizer 凭证使命动态组合。
。

若是这种思绪进一步成熟，，，未来开发者面临重大使命时，，，或许不必先问「我需要设计几个 Agent、划分写什么 prompt」，，，而可以先问：「这个问题需要哪些基础盘算模式，，，它们应该怎样毗连
？？
？？？？」

从重复造轮子，，，到复用基础
？？
？？？？；；；；从文本新闻驱动的牢靠团队，，，到潜在状态毗连的动态系统，，，这正是 Agent Primitives 希望推动的范式转变。
。

近期国家机构转达重大政策ICML 2026 | 多智能系一切也能搭积木
？？
？？？？Agent Primitives让MAS走向
？？
？？？？榛从

本文事情由伊利诺伊大学厄巴纳 - 香槟分校（UIUC）DREAM Lab 团队完成。
。通讯作者 Haohan Wang 教授为 UIUC 信息科学学院教授、DREAM Lab 认真人，，，研究偏向包括可信人工智能、大语言模子与多智能系一切。
。

论文问题：Agent Primitives: Reusable Latent Building Blocks for Multi-Agent Systems论文链接：https://arxiv.org/pdf/2602.03695实验室网址：https://dream.ischool.illinois.edu/

配景与念头

多智能系一切（Multi-Agent Systems，，，MAS）展示了令人印象深刻的能力：一个模子认真提出方案，，，另一个模子举行品评，，，尚有模子肩负投票、妄想或执行。
。通过角色分工和多轮协作，，，系统能够解决单个模子难以稳固完成的数学推理、代码天生和知识问答使命。
。

一个 MAS 的例子。
。出自我们 team 的 TMLR survey paper：Chen, K., Wang, P., Yu, Y., Zhan, X., & Wang, H. (2025). Large language model-based data science agent: A survey. arXiv preprint arXiv:2508.02744.

但这种能力背后，，，保存一个容易被忽略的工程问题：今天的大大都 MAS 都是围绕详细使命手工搭建的。
。面临一个新问题，，，研究者往往需要重新界说 Agent 角色、重新设计提醒词、重新划定新闻的转达顺序，，，并一直调试协作协议。
；；；；灰桓鍪菁⒁桓瞿Ｗ，，，甚至一个使命表述，，，原来的架构就可能需要大幅修改。
。

这与现代深度学习的生长路径形成了鲜明比照。
。构建卷积神经网络时，，，我们不会为每一个视觉使命重新发明卷积；；；；搭建 Transformer 时，，，也不需要重新设计注重力机制。
。成熟的神经网络之以是能够快速演进，，，部分原因正是研究社区找到了卷积、注重力、残差毗连等可复用的基础构件。
。

那么，，，多智能系一切是否也能拥有类似的笼统形式呢
？？
？？？？是否可以把重大的 Agent 事情流拆解成少量稳固、通用的盘算单位，，，再像搭乐高一样，，，将它们按需组合起来呢
？？
？？？？

Agent Primitives 给出的谜底是：多智能系一切也可以拥有自己的「基础
？？
？？？？椤埂
。

从「复用 Agent」到「复用协作模式」

Agent Primitives 的出发点，，，是重新审阅 MAS 中什么才是真正应该被复用的工具。
。古板要领通常把一个 Agent 看成原子单位：它拥有牢靠身份、牢靠提醒词，，，并在系统中肩负一个预先划定的角色。
。但「数学专家」、「代码审查员」或「妄想者」这些角色，，，自己往往与使命高度绑定，，，很难直接迁徙。
。

论文视察到，，，只管差别 MAS 的角色名称和流程看起来五花八门，，，它们内部重复执行的盘算模式却高度相似：有的系统让模子天生谜底后举行自我审查；；；；有的系统并行天生多个候选，，，再通过较量告竣共识；；；；尚有的系统先把重大目的拆成妄想，，，再逐步执行。
。

因此，，，论文不再把 Agent 看成最小构件，，，而是进一步向下拆解，，，把这些重复泛起的内部盘算模式笼统为 Agent Primitives，，，即面向大语言模子多智能系一切的、可复用的潜在构件。
。

基础的 Primitives

论文实例化了三类基础 primitive。
。它们并非试图穷尽所有协作方式，，，而是从现有 MAS 中提炼出三种高频、互补的盘算结构。
。

Review Primitive：

把「天生 — 品评 — 修正」酿成通用循环

Review Primitive 对应的是多智能系一切中最常见的迭代刷新模式。
。模子先形成一个候选解答，，，随后对其中的推理误差、事实过失或实现缺陷举行审查，，，再依据反馈更新谜底。
。这个历程可以重复举行，，，直到输出趋于稳固。
。

它的价值不但是增添一次「请检查谜底」的提醒。
。通过把审查与修正封装成自力 primitive，，，系统可以在数学证实、代码调试、开放域问答等使命中复用统一种盘算结构，，，而无需为每个使命重新设计一套 critic 和 refiner。
。

Voting & Selection Primitive：

在多个候选中形成共识

当一个问题保存多条合理推理路径时，，，单次天生容易受到采样波动影响。
。Voting & Selection Primitive 让系统并行探索多个候选，，，再对这些潜在体现举行较量、聚合和选择。
。

古板投票通常依赖最终文本谜底：先把每条推理完整解码，，，再通过字符串匹配或特殊提醒举行选择。
。相比之下，，，该 primitive 直接作用于内部潜在体现，，，使系统能够保存候选方案中更富厚的语义和推理信息，，，而不是只依据已经压缩成文本的效果做决议。
。

Planning & Execution Primitive：

将高层妄想与底层执行疏散

重大使命往往不是「想得更多」就能解决，，，而是需要先确定做什么，，，再决议怎样做。
。Planning & Execution Primitive 把高层使命剖析和低层方法执行拆开：妄想阶段建设整体蹊径，，，执行阶段围绕子目的逐项完成，，，并把中心状态继续转达。
。

这种疏散可以降低模子在长使命中同时维护全局目的与局部细节的肩负，，，也让统一个妄想结构能够适配数学推导、程序编写与多阶段问答等差别问题。
。

绕过自然语言瓶颈

仅仅把事情流命名为 primitive，，，还缺乏以解决现有 MAS 的基础局限。
。大大都多智能系一切通过自然语言交流信息：一个 Agent 把内部思索解码成文本，，，另一个 Agent 再读取文本并重新编码。
。每经由一轮，，，信息都要履历一次「潜在体现 — 文本 — 潜在体现」的转换。
。

这种方式直观、可读，，，却也价钱高昂。
。文本解码会丧失内部体现中的细粒度信息；；；；长链路交互会一直积累噪声和误差；；；；重复天生与读取大宗文本，，，则带来可观的 token 开销和推理延迟。
。系统中的 Agent 越多、协作轮数越长，，，这种通讯瓶颈越显着。
。

Agent Primitives 让 primitive 内部直接通过 Key-Value Cache（KV Cache）举行潜在通讯。
。KV Cache 原本用于生涯 Transformer 已处理 token 的注重力状态，，，阻止自回归天生时重复盘算。
。论文进一步把它作为 primitive 之间转达内部信息的载体，，，使后续
？？
？？？？槟芄恢苯蛹绦靶蚺趟阈纬傻那痹谧刺，，，而不必先将其完整解码为自然语言。
。

在毗连差别阶段的 KV Cache 时，，，系统还需要处理位置编码的一致性。
。论文通过旋转位置编码（RoPE）的重新编码与对齐，，，使来自差别盘算阶段的缓存能够被后续
？？
？？？？樽既方有
。由此，，，多个 primitive 不但是看法上可以组合，，，在模子内部的盘算状态层面也能够真正「插接」起来。
。

论文用实验证实晰使用自然语言处理时，，，长上下文中的使命遗忘：在长上下文的开头、中心或最后注入一条辅助指令，，，较量两种通讯方式能否在完成原始使命的同时保存新增约束。
。效果显示，，，当指令位于上下文中心时，，，自然语言通讯的指令遵照率骤降至 15.6%，，，而 KV Cache 通讯仍抵达 73.3%。
。

论文进一步考察了通讯噪声对多智能体协作的影响。
。详细而言，，，研究者在数学推理历史中逐步插入来自其他问题的无关推理句子，，，以模拟 Agent 交互历程中一直累积的噪声。
。实验效果显示，，，当插入 3 条无关句子时，，，自然语言通讯的准确率已下降至 73%；；；；当噪声增添到 10 条时，，，准确率进一步降至 47%。
。相比之下，，，KV Cache 通讯在相同设置下仍能划分坚持 100% 和 93% 的准确率。
。

上述效果批注，，，相较于自然语言通讯，，，基于 KV Cache 的潜在通讯能够更完整地保存前序推理状态，，，并显著降低无关信息在多阶段交互中的累积影响，，，从而提升多智能系一切在噪声情形下的通讯稳固性与推理鲁棒性。
。

谁来决议怎样搭这些「积木」
？？
？？？？

有了可复用构件，，，下一个问题是：面临一个新盘问，，，系统应该选择哪种 primitive，，，又应该以什么顺序组合
？？
？？？？若是仍然由人手工指定，，，架构设计的肩负并没有真正消逝。
。

为此，，，论文引入了一个自动化的 LLM Organizer。
。Organizer 首先剖析目今盘问的性子与难点，，，再从 primitive 荟萃中选择合适的
？？
？？？？椴⒆橹葱辛鞒獭
。例如，，，需要验证和修正的使命可以挪用 Review；；；；保存多种候选路径的问题可以加入 Voting & Selection；；；；长程重大使命则更适合先使用 Planning & Execution，，，再对局部效果举行审查。
。多个 primitive 也可以串联或嵌套，，，形成更完整的 MAS。
。

Organizer 的决议由一个轻量级 Knowledge Pool 提供参考。
。Knowledge Pool 纪录已往使命中乐成的 primitive 设置，，，让系统能够使用已有履历，，，而不是针对每个新盘问从零最先搜索。
。随着乐成设置一直积累，，，构建 MAS 逐渐从「手工设计一条牢靠事情流」，，，转变为「凭证问题动态检索并组合基础构件」。
。

要领框图

完整框架如下图所示。
。Organizer 凭证用户盘问和 Knowledge Pool 中的历史履历选择并组合 primitives；；；；Review、Voting and Selection、Planning and Execution 划分封装三类可复用协作模式；；；；所有 primitive 的内部协调均通过 KV Cache 完成，，，并对外保存与通俗 LLM Agent 一致的接口。
。

实验效果

论文在数学、代码和知识问答等八个基准、五种大语言模子主干上举行了系统评估。
。实验关注的不但是最终准确率，，，也同时较量 token 使用、推理延迟、相对单智能体的特殊开销，，，以及跨模子主干的稳固性。
。

从详细使命来看，，，Primitives-based MAS 在数学推理、代码天生和知识问答上均取得了稳固提升，，，并且没有泛起古板 MAS 要领在部分使命上提升、在另一些使命上显着退化的情形。
。更主要的是，，，这种性能增益并不是依赖无限增添 Agent 数目或天生更长的交互文本获得的。
。综合准确率、token 消耗、推理延迟和跨模子体现，，，可以将 Agent Primitives 的主要实验效果概括如下：

这些数字展现了一个主要事实：多智能体协作并不必定意味着数倍以致数十倍的推理本钱。
。古板 MAS 的高开销，，，很大一部分来自重复文本天生和冗长通讯，，，而不完全来自解决问题自己所需的有用盘算。
。当协作被重新组织为潜在空间中的
？？
？？？？榛趟愫，，，系统可以在保存性能增益的同时，，，把特殊本钱控制在更靠近单智能体推理的规模内。
。

走向可组合的智能系统

今天构建 MAS，，，仍然很像早期编写神经网络：大宗能力被写死在详细架构中，，，每个新使命都需要重新搭建。
。Agent Primitives 提出了一条差别的蹊径 —— 把角色背后的协作纪律抽离出来，，，封装为潜在空间中的标准构件，，，再由 Organizer 凭证使命动态组合。
。

若是这种思绪进一步成熟，，，未来开发者面临重大使命时，，，或许不必先问「我需要设计几个 Agent、划分写什么 prompt」，，，而可以先问：「这个问题需要哪些基础盘算模式，，，它们应该怎样毗连
？？
？？？？」

从重复造轮子，，，到复用基础
？？
？？？？；；；；从文本新闻驱动的牢靠团队，，，到潜在状态毗连的动态系统，，，这正是 Agent Primitives 希望推动的范式转变。
。

初夏时节，，，行走在宁夏贺兰山东麓，，，连片葡萄园绿意铺展、果穗缀枝，，，一派生气勃勃的情形。
。依托得天独厚的地理风土条件，，，贺兰山东麓葡萄酒产区一连将数字手艺融入葡萄莳植、酿造、营销全链条，，，以科技赋能特色葡萄酒工业稳步提质升级。
。

凯时AG

国务院安委会对晋江28死火灾挂牌督办