当复杂任务被拆成边界清楚的原子任务，每个 Agent 独立完成自己的部分，结果又能可靠汇合时，蜂群的力量才真正显现。实验还发现，Agent 会根据可见信息选择不同的合作者，并逐步形成不同的组织结构。
学术研究里的“多 Agent”，包括角色协作（Li et al., 2023）、多轮辩论（Du et al., 2024）和群体涌现（Chen et al., 2024）；工业系统里的“蜂群”，更多表现为主 Agent 调度多个 worker（Anthropic, 2025）。这些系统用了相近的名字，评判标准却不同：准确率、成本、鲁棒性，以及 Agent 能否自主形成分工与关系。
本文追问两个直接影响交付的问题：蜂群能否把任务完整拆开、各自完成并可靠汇合；分工与连接能否逐步由 Agent 自己形成。前者决定蜂群能否交付可靠产物，后者决定它能否形成自组织能力。
大型任务需要完整拆分、清晰边界和可靠接口。每个 Agent 完成一个局部任务，所有局部结果共同覆盖原任务，再沿固定接口汇合。
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；单上下文把全部任务放进一个上下文。实验一验证完整覆盖、独立上下文与程序汇总；自主拆解、自主领取和 Agent 间信息交换仍需后续实验闭环验证。
两组实验对应两个研究问题。实验一检验完整分工成立后，蜂群能否取得更好的最终结果；实验二检验组织关系不被完全预设时，Agent 能否自己选择伙伴并形成结构。
实验一：蜂群真正的优势，不只来自数量
实验使用固定的 563 道题：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。三种模式都使用 Claude Haiku 4.5；除任务如何拆分、执行和汇合外，题集与判分标准保持一致。
图 2｜实验一题集构成，共 563 道题，覆盖逻辑、普通数学、竞赛数学和物理。
第一种是 EvoX 蜂群。目标任务被完整拆成尽可能多的原子任务；每道题进入独立的 Agent，每个 Agent 一次只完成一个部分，并把答案写入指定位置。主 Agent 设计的程序最后按题号收集答案。没有第二个模型改写结果，也没有中央角色决定保留哪些答案。
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，再把任务拆成一系列子任务；子任务中还可以继续拆分。Sub-Agent 在连续会话中解题、整理报告并返回给主 LLM，主协调 LLM 最后把 30 份报告合成答案表。
第三种是单上下文。一个 Agent 在同一个上下文中直接解决整个目标任务，一次性产出所有答案。
结果形成三档：EvoX 蜂群达到 70.69%-70.87%，Sub-Agent 模式为 38.54%，单上下文为 26.29%。
图 3｜同一模型与题集，三种组织方式对应三档最终结果。EvoX 蜂群有一道题发生网络请求超时，因此以固定的 563 题为分母报告上下界。
多次调用模型不会自动带来更好的结果。Sub-Agent 模式同样调用了多个 Agent，在这次实验中观测到的成本还是三种系统中最高的一档，最终结果仍明显低于 EvoX 蜂群。
已有研究也表明，多 Agent 的收益依赖组织方式；角色定义、协调、验证和终止机制都会成为新的失败点（Hong et al., 2024；Cemri et al., 2025）。
蜂群的优势来自三项共同成立的条件：
第一，任务被拆成边界清楚的原子单元。每道题都有明确处理者和输出位置，每个原子任务都能被追踪，也能独立并行执行。
第二，执行彼此隔离。每个 Agent 面对局部问题，不需要在巨大上下文中反复切换，也不会持续受到前面几十项任务内容的干扰。长上下文研究发现，模型不能稳定使用上下文中部的信息；这一发现与本实验方向一致。由于本实验没有单独操纵题目位置，现有证据不能把结果差距归因于“中间遗失”（Liu et al., 2024）。
第三，汇合不依赖另一个模型重新理解答案。程序按约定从指定位置收取原子任务结果；已经完成的正确答案不再经过另一个 LLM 的转述、压缩和取舍。
蜂群把复杂任务转换成一组边界清楚、能够独立完成并可靠合并的部分。并行是结果，完整覆盖和可靠汇合才是前提。
38.54% 只是 Sub-Agent 的最终交付成绩。为了判断损失发生在解题阶段还是传递与汇总阶段，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。
结果显示，Sub-Agent 曾经答对 373 道题，但大量正确答案没有抵达最终结果。
Sub-Agent 丢了 166 个正确答案，EvoX 蜂群做对了什么？
在中间结果里，563 道题中有 373 道已经判对；经过报告传递和主协调 LLM 的最终综合，交付结果只剩 217 道正确。其中，207 道从中间到最终一直正确，10 道由错转对，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为 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。
每增加一层自然语言转述，链路都会新增遗漏、压缩、格式漂移或错误覆盖的机会。某一环节发生错误后，下游只能继续处理已经受损的信息。
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 如何写报告，以及主协调如何综合，共同构成信息损耗链路。近期研究也把多 Agent 的失败分布在系统设计、Agent 间对齐、验证和终止等环节（Cemri et al., 2025）。
EvoX 蜂群避免让正确答案再经历一次“被理解”。每道题的结果写入固定位置，再由程序按题号直接收集：Agent 负责解题，程序负责汇合，无需另一个 LLM 阅读 30 份报告并重新判断保留哪些答案。
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。差距同时来自任务粒度和答案传递：任务拆得更细，已经做对的答案也更完整地抵达终点。
EvoX 蜂群已经成功，但实验一还没有闭环自组织
实验一验证蜂群的执行面：完整分工已经存在，每个 Agent 各自完成一个 part，系统又能可靠汇合时，蜂群能够显著释放同一模型的能力。
这套完整拆解仍由脚本保证。现实任务中，part 之间会相互依赖，需要不同专长，也会在执行中出现新增任务、失败、冲突或重复。
下一项问题是让 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式
实验二先让 24 个相同配置的 Agent 各自做题。每完成一道题，Agent 都会把经验总结为该题型的心得，写入可持续积累的 memory；实验中，这些心得以 Gene 记录，对应代码字段 skill。某类心得积累得越多，Agent 下一轮选择同类题目的概率越高。经过 8 轮，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：专业侧重和正确率。
以 agent-8 为例：它最初与其他 Agent 配置相同，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。“物理侧重”来自选题与 memory 积累形成的履历，没有预先写入角色设定。
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，再让当事 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 在选人时能看到的信息：
- 只看到候选者的连接关系；
- 同时看到连接关系、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 只因可见信息不同，就会采用不同的选人逻辑。
图 5｜同一个 agent-8，只因看到的信息不同，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。
一次真实决策中，agent-8 在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，即“朋友的朋友”。这种机制在网络科学中称为三元闭合（triadic closure），是关系网络形成小圈子的经典机制之一（Watts & Strogatz, 1998；Papachristou & Yuan, 2025）。agent-7 的正确率为 0.25，但 agent-8 当时看不到这一信息。
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，专业侧重也能补充自己。模型对候选信息的口头解释有时不准确，但总体选择方向稳定改变：只看关系时寻找熟人；看到任务信息后选择能力更适合的伙伴。
这种变化出现在总体选择中。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，这一偏好降到 +0.19，更强的偏好变成“选择高正确率者” +1.88 和“选择相近专业者” +1.47。选择与自己相似的人，在社会网络研究中称为同质性连接（homophily）（McPherson et al., 2001）。
同一群 Agent，长出了两种组织形态
大量局部选择积累后，整张网络也随之改变。
只看社交信息时，Agent 不断连接朋友的朋友，网络保留明显的小圈子，整体聚类系数为 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，接近随机重连对照的 0.27，并出现更明显的枢纽节点。圆桌起点、重连和聚类指标来自经典小世界网络框架；严格判断“小世界”还需要同时比较路径长度与随机、规则网络基线（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，只因可见信息不同，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。
下一步需要检验这些连接能否真正承载协作：Agent 沿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。验证通过后，网络才能从实验中观察到的结构，变成 Agent 实际使用的任务路由和经验传播系统。
EvoX：迈向自组织蜂群
两组实验共同指出两层相互依赖的能力。
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，结果通过结构化接口返回，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。实验二说明，系统向 Agent 暴露的信息会改变它们选择的关系和最终组织结构。
自主分工仍然需要可靠协议。Agent 可以自主决定谁来做、怎样组合、何时调整；任务覆盖、结果格式和错误处理需要保持可检查。
真正的 AI 蜂群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 在合适的时候找到彼此。
实验一展示了可靠蜂群执行的潜力。实验二提供了自组织关系开始形成的证据。任务拆解、关系路由和真实协作仍需在同一闭环中继续验证。
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. 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.
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.
- Liang, P., et al. (2023). Holistic Evaluation of Language Models. Transactions on Machine Learning Research.
- AWS. 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.
- 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.
