學術研究中的「多 Agent」，可能指角色協作（Li et al., 2023）、多輪辯論（Du et al., 2024），或群體湧現（Chen et al., 2024）；工業系統中的「蜂群」，則更多是由主 Agent 調度多個 worker（Anthropic, 2025）。大家使用了相近的名稱，評判標準卻不相同：有人看準確率和成本，有人看魯棒性，也有人關心 Agent 能否自主形成分工與關係。

因此，本文只追問兩個最直接的問題：蜂群能否完整拆解任務、各自完成並可靠匯合；這套分工與連結，能否逐步由 Agent 自己形成。前者決定蜂群能不能交付可靠的成果，後者決定它是否具備湧現能力。

對於大型任務，理想狀態不是把更多 Agent 塞進同一個群聊，也不是讓一個「超級經理」替所有成員決定一切。更好的安排是：一項大任務被完整拆開，每個 Agent 在清晰邊界內完成自己的部分，所有部分共同覆蓋原始任務，再沿著可靠介面重新匯合。

圖 1｜本文的核心比較框架：EvoX 蜂群讓多個 Agent 各自完成一個 part 並匯合結果；Sub-Agent 模式由主 LLM 負責拆解與彙整；單一上下文模式則把完整任務放進同一個上下文。圖中上層展示的是完整蜂群的目標形態；實驗一直接驗證了完整覆蓋、獨立上下文與程式彙整，自主拆解、自主領取任務及 Agent 之間的資訊交換，仍需在後續實驗中閉環驗證。

我們進行了兩個實驗，分別對應兩個研究問題。實驗一問：在完整分工已經成立時，蜂群究竟能不能勝出？實驗二問：如果不把全部組織關係預先寫死，Agent 能不能開始自己選人、形成結構？

實驗一：蜂群真正的優勢，不只是「人多」

實驗使用一組固定的 563 道題目：100 道邏輯題、250 道普通數學題、63 道競賽數學題和 150 道物理題，分別來自 ZebraLogic、MATH、AIME/HMMT 與 UGPhysics。三種模式使用同一個 Claude Haiku 4.5；題集與評分標準保持一致，只有任務如何拆分、執行和匯合不同。

圖 2｜實驗一題集構成，共 563 道題，涵蓋邏輯、普通數學、競賽數學與物理。

第一種是 EvoX 蜂群：目標任務被完整拆解成盡可能多的原子任務，每道題進入一個獨立的 Agent，每個 Agent 一次只完成一個部分，並將結果記錄到指定位置。最後，由主 Agent 設計的程式按照題號收集答案。沒有第二個模型改寫結果，也沒有某個中央角色決定哪些答案應該保留。

第二種是 Sub-Agent 模式：它模擬 Claude Code、Codex 等 Agent 產品常見的主 Agent 調度機制。一個主協調 LLM 先看到完整題目清單，把任務拆成一系列子任務；子任務中可能還會進一步拆分。sub-agent 在連續會話中解題、整理報告並回傳給主 LLM，主協調 LLM 再把 30 份報告合成最終答案表。

第三種是單一上下文模式：使用一個 Agent，直接解決整個目標任務，一次取得所有題目。

結果分成了非常清楚的三檔：

EvoX 蜂群：70.69%-70.87%
Sub-Agent 模式：38.54%
單一上下文：26.29%

圖 3｜同一個模型與題集，三種組織方式對應三個明顯不同的最終結果。EvoX 蜂群有一個網路請求逾時，因此以固定的 563 道題為分母報告上下界。

這不是「多呼叫幾次模型，所以自然更好」這麼簡單。Sub-Agent 模式同樣呼叫了許多 sub-agent，甚至是三個系統中觀測成本最高的一種，卻仍然遠遠沒有追上 EvoX 蜂群。

既有研究也表明，多 Agent 的收益不會隨著 Agent 數量增加而自動出現：樸素串聯可能放大幻覺，而角色定義、協調方式與結果驗證本身都可能成為新的失敗點（Hong et al., 2024；Cemri et al., 2025）。

蜂群真正勝出的原因有三個。

第一，任務拆分得更好。透過鼓勵盡可能拆成更多原子任務，可以讓每個子任務盡可能小。每道題都有明確的處理者和輸出位置，每個原子任務都能被追蹤，也能更快地解決目標問題。

第二，執行彼此隔離。每個 Agent 面對的是一個邊界清楚的局部問題，不需要在巨大上下文中反覆切換，也不會被前面幾十項任務累積的內容持續干擾。長上下文研究同樣發現，模型無法穩定使用上下文中段的資訊；這與本實驗的結果方向一致，但本實驗沒有單獨操縱題目位置，因此不能把差距簡單歸因於「中間遺失」（Liu et al., 2024）。

第三，匯合不再依賴重新理解。預先定義好的程式可以直接從約定的位置收取原子任務結果。正確答案不需要再經過另一個 LLM 的轉述、壓縮與取捨。

所以，蜂群的核心除了高並行性之外，還在於把複雜任務變成一組邊界清楚、能夠獨立完成、又能夠可靠合併的部分。

但 38.54% 只是 Sub-Agent 最終交付的成績。為了判斷它究竟是輸在「不會做」，還是輸在答案傳遞與彙總上，我們繼續追查 30 個子任務留下的中間結果，並逐題重新核對。

Sub-Agent 丟了 166 個正確答案，EvoX 蜂群做對了什麼？

一個反直覺的現象出現了：很多題其實一開始就做對了。sub-agent 曾經對 166 道題給出正確答案，但這些答案並沒有安全抵達最終結果。

在中間結果裡，563 道題中有 373 道已經判對；但經過報告傳遞和主協調 LLM 的最終綜合，交付結果只剩下 217 道正確。其中，207 道從中間結果到最終結果一直正確，10 道由錯轉對；更醒目的是，166 道一度正確的答案，在最終交付時變成錯誤或缺失。中間正確答案的保留率只有 55.50%。

圖 4｜Sub-Agent 模式的 373 個中間正確答案中，有 166 個沒有在最終結果中保住。

這條鏈路很像一場傳話遊戲。每多一層自然語言轉述，就多一次遺漏、壓縮、格式漂移或錯誤覆寫的機會。一旦有一個環節出錯，後面就容易把損失放大。

需要說明的是，這 166 道題不能全部歸咎於最後一次彙總。連續會話中的上下文累積、sub-agent 如何撰寫報告，以及主協調者如何綜合，共同構成了資訊損耗鏈路。近期的多 Agent 失敗研究也把問題分布在系統設計、Agent 之間的對齊、驗證與終止等不同層面（Cemri et al., 2025）。

反過來看，EvoX 蜂群真正做對的，是沒有讓正確答案再經歷一遍「被理解」。每道題的結果被寫入固定位置，再由程式按照題號直接收集：Agent 負責解題，程式負責匯合，不需要另一個 LLM 閱讀 30 份報告，再次判斷哪些答案應該保留。

於是，同一個模型在 Sub-Agent 模式下最終答對 217 道，在 EvoX 蜂群中答對 398 道。差距不只來自任務拆得更細，也來自把已經做對的答案安全送到終點。

EvoX 蜂群已經成功，但故事還沒有結束

實驗一驗證的是蜂群的執行面：當完整分工已經存在，每個 Agent 各自完成一個 part，系統又能無損匯合時，蜂群能大幅釋放同一個模型的能力。

但這套完整拆解仍然由腳本保證。現實任務通常不會像 563 道彼此獨立的試題一樣整齊：有些 part 互相依賴，有些需要不同專長，有些會在執行過程中新增，還有一些會失敗、衝突或重複。

這就留下更難、也更有趣的問題：蜂群能不能從「腳本提供完整分工」，繼續走向「Agent 自己發現專長、領取任務、選擇夥伴並調整組織」？

實驗二從「選擇夥伴」這個最小動作開始。

實驗二：自由的蜂群產生了自洽的組織形態

實驗二先讓 24 個相同配置的 Agent 各自做題。每完成一道題，Agent 都會把對該題型的心得總結後寫入可持續累積的 memory；在實驗中，這些心得以 Gene 記錄，並由 skill 欄位表示。某類心得累積得越多，Agent 下一輪選擇同類題目的機率就越高。經過 8 輪後，系統根據每個 Agent 實際選擇的題型和解題結果，形成兩項「身分資訊」：專業側重與正確率。

以 agent-8 為例：它最初與其他 Agent 完全相同，但在 8 輪中有 5 次選擇物理、2 次選擇普通數學、1 次選擇競賽數學，最終形成「物理 0.625、數學 0.25、競賽數學 0.125」的專業側重，正確率為 0.25。這個「物理側重」的身分不是預先寫入的角色設定，而是一次次選題與 memory 累積形成的個人履歷。

隨後，24 個 Agent 從同一張「圓桌關係網」出發：每個 Agent 與左右各兩位相連，共有四條關係。實驗隨機打斷一部分連線，並讓當事 Agent 從尚未連線的候選者中自主選擇一個新對象。

三個實驗組的初始 Agent、斷邊位置與候選範圍相同，唯一差別是 Agent 在選人時能看到什麼：

只看到候選者的連線關係；
除了連線關係，還能看到專業側重與正確率；
不提供偏好判斷，由系統隨機重連作為對照。

同一個 Agent，僅僅因為可見資訊不同，就會採用完全不同的選人邏輯。

圖 5｜同一個 agent-8，只因看到的資訊不同，就選擇了不同夥伴：只看關係時選擇朋友的朋友；看到任務資訊時選擇能力互補者。

在一次真實決策中，agent-8 只看到社交關係時選擇了 agent-7，因為雙方共享四位現有連線者，這是典型的「朋友的朋友」。在網路科學中，這種機制稱為三元閉合，是人類關係網路形成小圈子的經典機制之一（Watts & Strogatz, 1998；Papachristou & Yuan, 2025）。agent-7 的正確率只有 0.25，但 agent-8 當時看不到這一點。

當專業側重與正確率可見時，同一個 agent-8 轉而選擇沒有共同連線者的 agent-2：對方正確率為 0.75，而且專業側重能夠補足自己。模型對候選資訊的口頭解釋並非每次都完全準確，但總體選擇方向發生了穩定變化：只看關係時，它尋找熟人社會；看見任務資訊後，它開始選擇夥伴。

這種變化不只出現在個別案例中。只看社交資訊時，「選擇朋友的朋友」是最強偏好，強度為 +2.28；加入任務資訊後，這項偏好降到 +0.19，取而代之的是「選擇高正確率者」+1.88，以及「選擇相近專業者」+1.47。在社會網路研究中，選擇與自己相似的人通常稱為同質性連結（homophily）（McPherson et al., 2001）。

同一群 Agent，長出了兩種社會形態

大量局部選擇累積起來，整張網路也隨之變形。

只看社交資訊時，Agent 不斷連接朋友的朋友，網路保留了明顯的小圈子：整體聚類係數約為 0.53。看到專業側重與正確率後，Agent 更願意跨過原有圈層連接高分者，聚類係數降到 0.28，接近隨機重連對照組的 0.27，並出現更明顯的樞紐節點。這裡使用的圓桌起點、重連與聚類指標來自經典小世界網路框架；若要嚴格判斷是否屬於「小世界」，還需要同時比較路徑長度與隨機網路、規則網路的基線（Watts & Strogatz, 1998；Telesford et al., 2011）。

圖 6｜只看社交資訊時，小圈子結構得到保留；加入任務資訊後，網路往更低聚類、更中心化的方向移動。

圖 7｜同一群 Agent、同一批擾動，僅僅因為可見資訊不同，就形成了不同組織。連線表示 Agent 的重連選擇，不代表訊息流或任務交接；圖中網路是 seed 5004 的直觀示例，總體結論來自多次觀測。

也許我們可以進一步探索：既然個體的選擇誕生了不同社會形態，那麼這個社會形態也可能被個體進一步利用。下一步，可以讓這些連線真正承載協作：Agent 沿著自己形成的關係交換 Gene、轉交任務、尋找專業互補的夥伴，並在失敗時尋找替代者。到那時，這張網路就不再只是實驗中觀察到的形狀，而會成為 Agent 實際使用的任務路由與經驗傳播系統。

EvoX：邁向自組織蜂群

把兩場實驗放在一起，EvoX 的下一步就變得很清楚。

第一層是可靠的蜂群執行底座：每個 part 都有穩定 ID，任務覆蓋可以檢查，結果使用結構化介面返回，重複與缺口能夠被發現，失敗可以重試，最終合併則盡量由程式完成。實驗一說明，這些看似樸素的工程約束，直接決定蜂群能否把個體能力完整送到終點。

第二層是可適應的自組織機制：Agent 能夠暴露並更新自己的專長，提出任務拆解，認領 part，選擇協作者，在發現依賴或衝突時重新分配工作。實驗二提示，組織不會憑空出現；系統向 Agent 暴露什麼資訊，就會獎勵什麼樣的連結與結構。

這也意味著，自由分工並不等於沒有規則。越希望 Agent 自主行動，底層協議就越需要可靠。自由發生在「誰來做、怎樣組合、何時調整」上，而不是讓任務覆蓋、結果格式和錯誤處理全部聽天由命。

真正的 AI 蜂群，不是讓更多 Agent 同時說話。

它讓每個個體完成自己的 part，讓所有 part 共同覆蓋完整任務，也讓合適的 Agent 在合適的時間找到彼此。

實驗一已經展示了這種蜂群的潛力。實驗二讓我們看見，它也開始具備自己長出組織的可能。

參考文獻

多 Agent 協作與評測

Li, G., Hammoud, H. A. A. K., Itani, H., Khizbullin, D., & Ghanem, B. (2023). CAMEL: Communicative Agents for “Mind” Exploration of Large Language Model Society. arXiv:2303.17760.
Du, Y., Li, S., Torralba, A., Tenenbaum, J. B., & Mordatch, I. (2024). Improving Factuality and Reasoning in Language Models through Multiagent Debate. ICML 2024, 11733–11763.
Chen, W., et al. (2024). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. ICLR 2024.
Wu, Q., et al. (2024). AutoGen: Enabling Next-Gen LLM Applications through Multi-Agent Conversation. COLM 2024.
Hong, S., et al. (2024). MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework. ICLR 2024.
Cemri, M., et al. (2025). Why Do Multi-Agent LLM Systems Fail? arXiv:2503.13657.
Zhu, K., et al. (2025). MultiAgentBench: Evaluating the Collaboration and Competition of LLM Agents. ACL 2025, 8580–8622. doi: 10.18653/v1/2025.acl-long.421.

長上下文與實驗方法

Liu, N. F., et al. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. doi: 10.1162/tacl_a_00638.
Liang, P., et al. (2023). Holistic Evaluation of Language Models. Transactions on Machine Learning Research.
AWS. (n.d.). Claude Haiku 4.5 model card.

網路科學與 LLM 組網

Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of “small-world” networks. Nature, 393, 440–442. doi: 10.1038/30918.
McPherson, M., Smith-Lovin, L., & Cook, J. M. (2001). Birds of a Feather: Homophily in Social Networks. Annual Review of Sociology, 27, 415–444. doi: 10.1146/annurev.soc.27.1.415.
Telesford, Q. K., Joyce, K. E., Hayasaka, S., Burdette, J. H., & Laurienti, P. J. (2011). The Ubiquity of Small-World Networks. Brain Connectivity, 1(5), 367–375. doi: 10.1089/brain.2011.0038.
Papachristou, M., & Yuan, Y. (2025). Network formation and dynamics among multi-LLMs. PNAS Nexus, 4(12), pgaf317. doi: 10.1093/pnasnexus/pgaf317.
Anthropic. (2025). How we built our multi-agent research system.