當複雜任務被拆成邊界清楚的原子任務，每個 Agent 獨立完成自己的部分，結果又能可靠匯合時，蜂群的力量才真正顯現。實驗亦發現，Agent 會根據可見資訊選擇不同的合作夥伴，並逐步形成不同的組織結構。
學術研究中的「多 Agent」，包括角色協作（Li et al., 2023）、多輪辯論（Du et al., 2024）和群體湧現（Chen et al., 2024）；工業系統中的「蜂群」，則更多表現為主 Agent 調度多個 worker（Anthropic, 2025）。這些系統採用相近的名稱，評判標準卻不同：準確率、成本、穩健性，以及 Agent 能否自主形成分工與關係。
本文探討兩個直接影響交付的問題：蜂群能否把任務完整拆開、各自完成並可靠匯合；分工與連結能否逐步由 Agent 自己形成。前者決定蜂群能否交付可靠成果，後者決定它能否形成自組織能力。
大型任務需要完整拆分、清晰邊界和可靠介面。每個 Agent 完成一項局部任務，所有局部結果共同覆蓋原任務，再沿固定介面匯合。
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 負責拆解與彙總；單一上下文把全部任務放進同一個上下文。實驗一驗證完整覆蓋、獨立上下文與程式彙總；自主拆解、自主領取和 Agent 之間的資訊交換仍需後續實驗完成閉環驗證。
兩組實驗對應兩個研究問題。實驗一檢驗完整分工成立後，蜂群能否取得更好的最終結果；實驗二檢驗組織關係未被完全預設時，Agent 能否自行選擇夥伴並形成結構。
實驗一：蜂群真正的優勢，不只來自數量
實驗使用固定的 563 道題：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。三種模式都使用 Claude Haiku 4.5；除任務如何拆分、執行和匯合外，題集與評分標準保持一致。
圖 2｜實驗一題集構成，共 563 道題，涵蓋邏輯、普通數學、競賽數學和物理。
第一種是 EvoX 蜂群。目標任務被完整拆成盡量多的原子任務；每道題進入獨立的 Agent，每個 Agent 每次只完成一個部分，並把答案寫入指定位置。主 Agent 設計的程式最後按題號收集答案。沒有第二個模型改寫結果，也沒有中央角色決定保留哪些答案。
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，再把任務拆成一系列子任務；子任務還可以繼續拆分。Sub-Agent 在連續會話中解題、整理報告並返回主 LLM，主協調 LLM 最後把 30 份報告合成答案表。
第三種是單一上下文。一個 Agent 在同一個上下文中直接解決整個目標任務，一次產出所有答案。
結果形成三個層級：EvoX 蜂群達到 70.69%-70.87%，Sub-Agent 模式為 38.54%，單一上下文為 26.29%。
圖 3｜同一模型與題集，三種組織方式對應三個層級的最終結果。EvoX 蜂群有一道題發生網絡請求逾時，因此以固定的 563 題為分母報告上下界。
多次調用模型不會自動帶來更好的結果。Sub-Agent 模式同樣調用了多個 Agent，在這次實驗中觀測到的成本更是三種系統中最高的一級，最終結果仍明顯低於 EvoX 蜂群。
既有研究亦表明，多 Agent 的收益取決於組織方式；角色定義、協調、驗證和終止機制都會成為新的失敗點（Hong et al., 2024；Cemri et al., 2025）。
蜂群的優勢來自三項共同成立的條件：
第一，任務被拆成邊界清楚的原子單元。每道題都有明確處理者和輸出位置，每項原子任務都可追蹤，亦可獨立並行執行。
第二，執行彼此隔離。每個 Agent 面對局部問題，無須在龐大上下文中反覆切換，也不會持續受到前面數十項任務內容的干擾。長上下文研究發現，模型無法穩定使用上下文中部的資訊；這項發現與本實驗方向一致。由於本實驗沒有單獨操控題目位置，現有證據不能把結果差距歸因於「中間遺失」（Liu et al., 2024）。
第三，匯合不依賴另一個模型重新理解答案。程式按約定從指定位置收取原子任務結果；已經完成的正確答案不再經過另一個 LLM 的轉述、壓縮和取捨。
蜂群把複雜任務轉換成一組邊界清楚、能夠獨立完成並可靠合併的部分。並行是結果，完整覆蓋和可靠匯合才是前提。
38.54% 只是 Sub-Agent 的最終交付成績。為判斷損失發生在解題階段還是傳遞與彙總階段，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。
結果顯示，Sub-Agent 曾經答對 373 道題，但大量正確答案沒有抵達最終結果。
Sub-Agent 丟失了 166 個正確答案，EvoX 蜂群做對了甚麼？
在中間結果中，563 道題有 373 道已經判對；經過報告傳遞和主協調 LLM 的最終綜合，交付結果只剩 217 道正確。其中，207 道從中間到最終一直正確，10 道由錯轉對，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為 55.50%。
圖 4｜Sub-Agent 模式的 373 個中間正確答案中，有 166 個未能保留到最終結果。
每增加一層自然語言轉述，鏈路都會新增遺漏、壓縮、格式漂移或錯誤覆蓋的機會。某一環節發生錯誤後，下游只能繼續處理已經受損的資訊。
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，以及主協調如何綜合，共同構成資訊損耗鏈路。近期研究亦把多 Agent 的失敗分布在系統設計、Agent 之間的對齊、驗證和終止等環節（Cemri et al., 2025）。
EvoX 蜂群避免讓正確答案再次經歷「被理解」。每道題的結果寫入固定位置，再由程式按題號直接收集：Agent 負責解題，程式負責匯合，無須另一個 LLM 閱讀 30 份報告並重新判斷保留哪些答案。
同一模型在 Sub-Agent 模式下最終答對 217 道，在 EvoX 蜂群中答對 398 道。差距同時來自任務粒度和答案傳遞：任務拆得更細，已經做對的答案亦更完整地抵達終點。
EvoX 蜂群已經成功，但實驗一尚未完成自組織閉環
實驗一驗證蜂群的執行面：完整分工已經存在，每個 Agent 各自完成一個 part，系統又能可靠匯合時，蜂群能夠顯著釋放同一模型的能力。
這套完整拆解仍由腳本保證。現實任務中，part 之間會互相依賴，需要不同專長，亦會在執行中出現新增任務、失敗、衝突或重複。
下一個問題是讓 Agent 自行發現專長、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式
實驗二先讓 24 個相同配置的 Agent 各自解題。每完成一道題，Agent 都會把經驗總結為該題型的心得，寫入可持續累積的 memory；實驗中，這些心得以 Gene 記錄，對應程式欄位 skill。某類心得累積得愈多，Agent 下一輪選擇同類題目的概率愈高。經過 8 輪，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：專業側重和正確率。
以 agent-8 為例：它最初與其他 Agent 配置相同，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。「物理側重」來自選題與 memory 累積形成的履歷，並非預先寫入的角色設定。
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。實驗隨機打斷部分連結，再讓當事 Agent 從尚未連結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 在選人時能看到的資訊：
- 只看到候選者的連結關係；
- 同時看到連結關係、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 只因可見資訊不同，就會採用不同的選人邏輯。
圖 5｜同一個 agent-8，只因看到的資訊不同，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。
一次真實決策中，agent-8 在只看到社交關係時選擇 agent-7，因為雙方共享四位現有連結者，也就是「朋友的朋友」。這種機制在網絡科學中稱為三元閉合（triadic closure），是關係網絡形成小圈子的經典機制之一（Watts & Strogatz, 1998；Papachristou & Yuan, 2025）。agent-7 的正確率為 0.25，但 agent-8 當時看不到這項資訊。
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結者的 agent-2：對方正確率為 0.75，專業側重亦能補充自己。模型對候選資訊的口頭解釋有時不準確，但整體選擇方向穩定改變：只看關係時尋找熟人；看到任務資訊後選擇能力更合適的夥伴。
這種變化出現在整體選擇中。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，這項偏好降至 +0.19，更強的偏好變成「選擇高正確率者」 +1.88 和「選擇相近專業者」 +1.47。選擇與自己相似的人，在社會網絡研究中稱為同質性連結（homophily）（McPherson et al., 2001）。
同一群 Agent，形成了兩種組織形態
大量局部選擇累積後，整張網絡亦隨之改變。
只看社交資訊時，Agent 不斷連結朋友的朋友，網絡保留明顯的小圈子，整體聚類系數為 0.53。看到專業側重與正確率後，Agent 更願意跨過原有圈層連結高分者，聚類系數降至 0.28，接近隨機重連對照的 0.27，並出現更明顯的樞紐節點。圓桌起點、重連和聚類指標來自經典小世界網絡框架；嚴格判斷「小世界」還需要同時比較路徑長度與隨機、規則網絡基線（Watts & Strogatz, 1998；Telesford et al., 2011）。
圖 6｜只看社交資訊時，小圈子結構得以保留；加入任務資訊後，網絡向較低聚類、較高中心化的方向移動。
圖 7｜同一群 Agent、同一批擾動，只因可見資訊不同，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；圖中網絡是 seed 5004 的直觀示例，整體結論來自多次觀測。
下一步需要檢驗這些連結能否真正承載協作：Agent 沿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。驗證通過後，網絡才能從實驗中觀察到的結構，變成 Agent 實際使用的任務路由和經驗傳播系統。
EvoX：邁向自組織蜂群
兩組實驗共同指出兩層互相依賴的能力。
第一層是可靠的蜂群執行基礎：每個 part 都有穩定 ID，任務覆蓋可檢查，結果透過結構化介面返回，重複與缺口能夠被發現，失敗可以重試，最終合併盡量由程式完成。實驗一說明，這些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 能夠展示並更新自己的專長，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。實驗二說明，系統向 Agent 展示的資訊會改變它們的選擇和最終組織結構。
自主分工仍然需要可靠協議。Agent 可以自主決定誰來做、如何組合、何時調整；任務覆蓋、結果格式和錯誤處理需要保持可檢查。
真正的 AI 蜂群讓每個個體完成自己的 part，讓所有 part 共同覆蓋完整任務，亦讓合適的 Agent 在合適的時候找到彼此。
實驗一展示了可靠蜂群執行的潛力。實驗二提供了自組織關係開始形成的證據。任務拆解、關係路由和真實協作仍需在同一閉環中繼續驗證。
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. NeurIPS 2023.
- 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 via 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.
- Liang, P., et al. (2023). Holistic Evaluation of Language Models. Transactions on Machine Learning Research.
- AWS. Claude Haiku 4.5 model card.
網絡科學與 LLM 組網
- Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of “small-world” networks. Nature, 393, 440-442.
- McPherson, M., Smith-Lovin, L., & Cook, J. M. (2001). Birds of a Feather: Homophily in Social Networks. Annual Review of Sociology, 27, 415-444.
- 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.
- Papachristou, M., & Yuan, Y. (2025). Network formation and dynamics among multi-LLMs. PNAS Nexus, 4(12), pgaf317.
- Anthropic. (2025). How we built our multi-agent research system.
