学术研究中的“多 Agent”，可能指角色协作（Li et al., 2023）、多轮辩论（Du et al., 2024）或群体涌现（Chen et al., 2024）；工业系统中的“蜂群”，则更多是由主 Agent 调度多个 worker（Anthropic, 2025）。大家使用了相近的名称，评判标准却不相同：有人看准确率和成本，有人看鲁棒性，也有人关心 Agent 能否自主形成分工与关系。

因此，本文只追问两个最直接的问题：蜂群能否完整拆解任务、各自完成并可靠汇合；这套分工与连接，能否逐步由 Agent 自己形成。前者决定蜂群能不能交付可靠的成果，后者决定它是否具备涌现能力。

对于大型任务，理想状态不是把更多 Agent 塞进同一个群聊，也不是让一个“超级经理”替所有成员决定一切。更好的安排是：一项大任务被完整拆开，每个 Agent 在清晰边界内完成自己的部分，所有部分共同覆盖原始任务，再沿着可靠接口重新汇合。

图 1｜本文的核心比较框架：EvoX 蜂群让多个 Agent 各自完成一个 part 并汇合结果；Sub-Agent 模式由主 LLM 负责拆解与汇总；单一上下文模式则把完整任务放进同一个上下文。图中上层展示的是完整蜂群的目标形态；实验一直接验证了完整覆盖、独立上下文与程序汇总，自主拆解、自主领取任务和 Agent 之间的信息交换仍需在后续实验中闭环验证。

我们进行了两个实验，分别对应两个研究问题。实验一问：在完整分工已经成立时，蜂群究竟能不能胜出？实验二问：如果不把全部组织关系预先写死，Agent 能不能开始自己选人、形成结构？

实验一：蜂群真正的优势，不只是“人多”

实验使用一组固定的 563 道题目：100 道逻辑题、250 道普通数学题、63 道竞赛数学题和 150 道物理题，分别来自 ZebraLogic、MATH、AIME/HMMT 与 UGPhysics。三种模式使用同一个 Claude Haiku 4.5；题集与评分标准保持一致，只有任务如何拆分、执行和汇合不同。

图 2｜实验一题集构成，共 563 道题，涵盖逻辑、普通数学、竞赛数学与物理。

第一种是 EvoX 蜂群：目标任务被完整拆解成尽可能多的原子任务，每道题进入一个独立的 Agent，每个 Agent 一次只完成一个部分，并将结果记录到指定位置。最后，由主 Agent 设计的程序按照题号收集答案。没有第二个模型改写结果，也没有某个中央角色决定哪些答案应该保留。

第二种是 Sub-Agent 模式：它模拟 Claude Code、Codex 等 Agent 产品常见的主 Agent 调度机制。一个主协调 LLM 先看到完整题目清单，把任务拆成一系列子任务；子任务中可能还会进一步拆分。sub-agent 在连续会话中解题、整理报告并返回给主 LLM，主协调 LLM 再把 30 份报告合成最终答案表。

第三种是单一上下文模式：使用一个 Agent，直接解决整个目标任务，一次获得所有题目。

结果分成了非常清楚的三档：

EvoX 蜂群：70.69%-70.87%
Sub-Agent 模式：38.54%
单一上下文：26.29%

图 3｜同一个模型与题集，三种组织方式对应三个明显不同的最终结果。EvoX 蜂群有一个网络请求超时，因此以固定的 563 道题为分母报告上下界。

这不是“多调用几次模型，所以自然更好”这么简单。Sub-Agent 模式同样调用了许多 sub-agent，甚至是三个系统中观测成本最高的一种，却仍然远远没有追上 EvoX 蜂群。

已有研究也表明，多 Agent 的收益不会随着 Agent 数量增加而自动出现：朴素串联可能放大幻觉，而角色定义、协调方式与结果验证本身都可能成为新的失败点（Hong et al., 2024；Cemri et al., 2025）。

蜂群真正胜出的原因有三个。

第一，任务拆分得更好。通过鼓励尽可能拆成更多原子任务，可以让每个子任务尽可能小。每道题都有明确的处理者和输出位置，每个原子任务都能被追踪，也能更快地解决目标问题。

第二，执行彼此隔离。每个 Agent 面对的是一个边界清楚的局部问题，不需要在巨大上下文中反复切换，也不会被前面几十项任务累积的内容持续干扰。长上下文研究同样发现，模型无法稳定使用上下文中段的信息；这与本实验的结果方向一致，但本实验没有单独操纵题目位置，因此不能把差距简单归因于“中间遗失”（Liu et al., 2024）。

第三，汇合不再依赖重新理解。预先定义好的程序可以直接从约定的位置收取原子任务结果。正确答案不需要再经过另一个 LLM 的转述、压缩与取舍。

所以，蜂群的核心除了高并行性之外，还在于把复杂任务变成一组边界清楚、能够独立完成、又能够可靠合并的部分。

但 38.54% 只是 Sub-Agent 最终交付的成绩。为了判断它究竟是输在“不会做”，还是输在答案传递与汇总上，我们继续追查 30 个子任务留下的中间结果，并逐题重新核对。

Sub-Agent 丢了 166 个正确答案，EvoX 蜂群做对了什么？

一个反直觉的现象出现了：很多题其实一开始就做对了。sub-agent 曾经对 166 道题给出正确答案，但这些答案并没有安全抵达最终结果。

在中间结果里，563 道题中有 373 道已经判对；但经过报告传递和主协调 LLM 的最终综合，交付结果只剩下 217 道正确。其中，207 道从中间结果到最终结果一直正确，10 道由错转对；更醒目的是，166 道一度正确的答案，在最终交付时变成错误或缺失。中间正确答案的保留率只有 55.50%。

图 4｜Sub-Agent 模式的 373 个中间正确答案中，有 166 个没有在最终结果中保住。

这条链路很像一场传话游戏。每多一层自然语言转述，就多一次遗漏、压缩、格式漂移或错误覆写的机会。一旦有一个环节出错，后面就容易把损失放大。

需要说明的是，这 166 道题不能全部归咎于最后一次汇总。连续会话中的上下文累积、sub-agent 如何撰写报告，以及主协调者如何综合，共同构成了信息损耗链路。近期的多 Agent 失败研究也把问题分布在系统设计、Agent 之间的对齐、验证与终止等不同层面（Cemri et al., 2025）。

反过来看，EvoX 蜂群真正做对的，是没有让正确答案再经历一遍“被理解”。每道题的结果被写入固定位置，再由程序按照题号直接收集：Agent 负责解题，程序负责汇合，不需要另一个 LLM 阅读 30 份报告，再次判断哪些答案应该保留。

于是，同一个模型在 Sub-Agent 模式下最终答对 217 道，在 EvoX 蜂群中答对 398 道。差距不只来自任务拆得更细，也来自把已经做对的答案安全送到终点。

EvoX 蜂群已经成功，但故事还没有结束

实验一验证的是蜂群的执行面：当完整分工已经存在，每个 Agent 各自完成一个 part，系统又能无损汇合时，蜂群能大幅释放同一个模型的能力。

但这套完整拆解仍然由脚本保证。现实任务通常不会像 563 道彼此独立的试题一样整齐：有些 part 互相依赖，有些需要不同专长，有些会在执行过程中新增，还有一些会失败、冲突或重复。

这就留下更难、也更有趣的问题：蜂群能不能从“脚本提供完整分工”，继续走向“Agent 自己发现专长、领取任务、选择伙伴并调整组织”？

实验二从“选择伙伴”这个最小动作开始。

实验二：自由的蜂群产生了自洽的组织形态

实验二先让 24 个相同配置的 Agent 各自做题。每完成一道题，Agent 都会把对该题型的心得总结后写入可持续积累的 memory；在实验中，这些心得以 Gene 记录，并由 skill 字段表示。某类心得积累得越多，Agent 下一轮选择同类题目的概率就越高。经过 8 轮后，系统根据每个 Agent 实际选择的题型和解题结果，形成两项“身份信息”：专业侧重与正确率。

以 agent-8 为例：它最初与其他 Agent 完全相同，但在 8 轮中有 5 次选择物理、2 次选择普通数学、1 次选择竞赛数学，最终形成“物理 0.625、数学 0.25、竞赛数学 0.125”的专业侧重，正确率为 0.25。这个“物理侧重”的身份不是预先写入的角色设定，而是一次次选题与 memory 积累形成的个人履历。

随后，24 个 Agent 从同一张“圆桌关系网”出发：每个 Agent 与左右各两位相连，共有四条关系。实验随机打断一部分连接，并让当事 Agent 从尚未连接的候选者中自主选择一个新对象。

三个实验组的初始 Agent、断边位置与候选范围相同，唯一差别是 Agent 在选人时能看到什么：

只看到候选者的连接关系；
除了连接关系，还能看到专业侧重与正确率；
不提供偏好判断，由系统随机重连作为对照。

同一个 Agent，仅仅因为可见信息不同，就会采用完全不同的选人逻辑。

图 5｜同一个 agent-8，只因看到的信息不同，就选择了不同伙伴：只看关系时选择朋友的朋友；看到任务信息时选择能力互补者。

在一次真实决策中，agent-8 只看到社交关系时选择了 agent-7，因为双方共享四位现有连接者，这是典型的“朋友的朋友”。在网络科学中，这种机制称为三元闭合，是人类关系网络形成小圈子的经典机制之一（Watts & Strogatz, 1998；Papachristou & Yuan, 2025）。agent-7 的正确率只有 0.25，但 agent-8 当时看不到这一点。

当专业侧重与正确率可见时，同一个 agent-8 转而选择没有共同连接者的 agent-2：对方正确率为 0.75，而且专业侧重能够补足自己。模型对候选信息的口头解释并非每次都完全准确，但总体选择方向发生了稳定变化：只看关系时，它寻找熟人社会；看见任务信息后，它开始选择伙伴。

这种变化不只出现在个别案例中。只看社交信息时，“选择朋友的朋友”是最强偏好，强度为 +2.28；加入任务信息后，这项偏好降到 +0.19，取而代之的是“选择高正确率者”+1.88，以及“选择相近专业者”+1.47。在社会网络研究中，选择与自己相似的人通常称为同质性连接（homophily）（McPherson et al., 2001）。

同一群 Agent，长出了两种社会形态

大量局部选择累积起来，整张网络也随之变形。

只看社交信息时，Agent 不断连接朋友的朋友，网络保留了明显的小圈子：整体聚类系数约为 0.53。看到专业侧重与正确率后，Agent 更愿意跨过原有圈层连接高分者，聚类系数降到 0.28，接近随机重连对照组的 0.27，并出现更明显的枢纽节点。这里使用的圆桌起点、重连和聚类指标来自经典小世界网络框架；若要严格判断是否属于“小世界”，还需要同时比较路径长度与随机网络、规则网络的基线（Watts & Strogatz, 1998；Telesford et al., 2011）。

图 6｜只看社交信息时，小圈子结构得到保留；加入任务信息后，网络向更低聚类、更中心化的方向移动。

图 7｜同一群 Agent、同一批扰动，仅仅因为可见信息不同，就形成了不同组织。连线表示 Agent 的重连选择，不代表消息流或任务交接；图中网络是 seed 5004 的直观示例，总体结论来自多次观测。

也许我们可以进一步探索：既然个体的选择产生了不同社会形态，那么这个社会形态也可能被个体进一步利用。下一步，可以让这些连接真正承载协作：Agent 沿着自己形成的关系交换 Gene、转交任务、寻找专业互补的伙伴，并在失败时寻找替代者。到那时，这张网络就不再只是实验中观察到的形状，而会成为 Agent 实际使用的任务路由与经验传播系统。

EvoX：迈向自组织蜂群

把两场实验放在一起，EvoX 的下一步就变得很清楚。

第一层是可靠的蜂群执行底座：每个 part 都有稳定 ID，任务覆盖可以检查，结果使用结构化接口返回，重复与缺口能够被发现，失败可以重试，最终合并尽量由程序完成。实验一说明，这些看似朴素的工程约束，直接决定蜂群能否把个体能力完整送到终点。

第二层是可适应的自组织机制：Agent 能够暴露并更新自己的专长，提出任务拆解，认领 part，选择协作者，在发现依赖或冲突时重新分配工作。实验二提示，组织不会凭空出现；系统向 Agent 暴露什么信息，就会奖励什么样的连接与结构。

这也意味着，自由分工并不等于没有规则。越希望 Agent 自主行动，底层协议就越需要可靠。自由发生在“谁来做、怎样组合、何时调整”上，而不是让任务覆盖、结果格式和错误处理全部听天由命。

真正的 AI 蜂群，不是让更多 Agent 同时说话。

它让每个个体完成自己的 part，让所有 part 共同覆盖完整任务，也让合适的 Agent 在合适的时间找到彼此。

实验一已经展示了这种蜂群的潜力。实验二让我们看见，它也开始具备自己长出组织的可能。

参考文献

多 Agent 协作与评测

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.

长上下文与实验方法

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.

网络科学与 LLM 组网

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.