Multi-Agent
多 Agent 協定、角色分工、MCP、A2A、通訊架構
與其把「請遵守法規」寫在 prompt 裡然後希望 AI 記得，SARC 把規範編譯成四個硬性卡關站嵌進代理人的執行迴圈，不依賴 AI 的「記憶力」。
arxiv: 2605.07728多代理系統中的安全規範不會自動持續有效——它們會在記憶存取、任務委派、工具呼叫等七個環節中悄悄弱化，這篇命名為「約束漂移」並提出分類框架。
arxiv: 2605.10481用「有沒有可見的領導者」做 AI 實驗：當多代理系統的協調者是隱形的（工作代理不知道有人在指揮），整個系統的保護性行為顯著下降——對流行的 orchestrator 架構是直接的設計警示。
arxiv: 2605.13851借用神經科學的「後繼表示」矩陣，用三個數學量在部署前預測 multi-agent 系統選 Chain、Star、Mesh 哪種拓撲時會出現觀點漂移、假共識或不穩定三種失敗模式。
arxiv: 2605.11453讓多個 agent 同時跑同一個任務，並透過一個「共享推理筆記本」互相學習彼此的發現，比單一強 agent 更能搞定複雜長任務。
arxiv: 2605.24486Multi-agent 系統裡 agents 之間傳文字很貴又有資訊損失，這篇 survey 整理「改傳 embedding / hidden state / KV-cache」的研究現狀，提出分類框架，幫你評估這條路能否用在你的 agent 系統。
arxiv: 2606.05711一套分層多 Agent 系統在真實雲端環境自動偵測、診斷並修復網路故障，生產部署後達 90%+ 自主解決率，不需人工介入。
arxiv: 2606.09122把「怎麼設計 AI Agent 執行環境」系統化：8 個屬性 × 8 個應用領域分類框架，加上 symbolic vs. neural 兩種自動合成範式，是 agent environment 設計的入門地圖。
arxiv: 2606.12191不想每次框架升級就重寫 agent？這篇給你從 LLM API 底層到上線維護的完整方法論：兩個前提條件（substrate + building blocks）加上三個持續實踐，比「先 pip install langchain」更底層也更持久。
arxiv: 2606.11869跨多台設備的 agent 執行失敗時，別急著全部重來——先讓設備端自己試著換個方式（API → CLI → GUI），不行再往上呈報給總指揮。
arxiv: 2606.20487用 LLM 當多 agent 團隊的指揮官決定策略方向，再讓 RL 訓練的底層 agent 負責真正的動作執行——兩者各司其職，比純 RL 或純手工規則都更彈性。
arxiv: 2606.20014測試 1665 個工具下的長程規劃：最強 LLM 在無干擾時成功率只有 52%，一旦部分工具被封鎖更跌至 11%；這是第一個專門測「大量工具 + 工具失效」組合下 Agent 有多脆弱的 benchmark。
arxiv: 2606.22388MCP、A2A、ACP、ANP 這些 Agent 通訊協定到底差在哪？TU Munich 分析 9 個主流開源協定，給出第一份技術分類法，讓選協定從「哪個比較紅」變成「哪個技術特性符合我的需求」。
arxiv: 2606.19135AMD 提出 Arbor：把「樹狀搜尋」當作多 Agent 系統的共享工作記憶，讓 Orchestrator、Specialist、Critic 三類 Agent 圍繞同一棵搜尋樹協作，失敗的嘗試也被保留為後續探索的診斷訊號。
arxiv: 2606.12563Sakana AI 訓練了一個「學會指揮其他模型」的 0.6B 小型協調器，把 Claude/GPT 等現有 frontier 模型的能力組合出超越任何單模型的表現，在 SWE-Bench Pro 達到 73.7%（公開最強）。
arxiv: 2606.21228Agent workflow 設計好、上線後才發現 Agent 卡死或邏輯繞圈，這很常見——這篇提出在「設計階段」用 12 條結構規則自動驗證 workflow 設計有沒有問題，概念類似 IDE 的 type check。
arxiv: 2606.21565Agent benchmark 的「總分排行榜」換個情境就失準——這篇用 14 組大規模平行實驗證明排名不穩定，並提出以「預測有效性」（in-sample 與 out-of-sample 排名相關性）取代總分均值作為選型指標。
arxiv: 2606.19704OpenAI 用 Codex 真實使用數據，首次大規模量化「agentic AI 如何改變工作」：2026 年上半年用戶增 5 倍、任務規模膨脹 10 倍，且最重要的是，改變已從工程師擴散到法務、研究等非技術職能
arxiv: 2606.26959把 Multi-Agent 系統裡「一個主管分派所有任務」的架構，換成「所有 agent 共讀一個驗證過的進度表、自己搶任務」——SWE-bench 上省 50% 成本，還拿到更高分。
arxiv: 2606.10662讓 multi-agent 軟體開發框架學會「自我懷疑」：用 token 的信心分數決定哪個 agent 的輸出需要驗證再轉交，防止早期錯誤在 pipeline 中滾雪球。
arxiv: 2607.02186多個 AI agent 協同執行惡意任務時，「每個 agent 各自監控」的防禦策略會因為碎片化效應大打折扣；加入明確攻擊規劃者（planner agent），攻擊成功率最高提升 7 倍。
arxiv: 2607.07368現有手機 agent 都靠「模擬點擊螢幕」操作手機，PalmClaw 改成直接呼叫裝置 API：任務成功率提升 11.5%、完成時間縮短 94.9%，而且每一步的執行邊界清楚得多。
arxiv: 2607.13027用四個設計維度重新打造電商網站，讓 AI 瀏覽器 agent 完成購物任務的成功率從 49% 提升到 89%。
arxiv: 2607.12056現有 RL 訓練算法（PPO / GRPO）對 agent 來說很浪費：每次都從頭跑 N 條路徑比較。BPO 只在「真正需要比較」的高熵決策點快照並分叉，用兄弟軌跡（sibling trajectory）的 return 差異計算 advantage，讓訓練更有效率。
arxiv: 2607.14171Position paper：以電網研究為案例，展示如何用 MCP（Model Context Protocol）把 LLM agents 接上專業領域仿真工具，並在嚴格需要 human-in-the-loop 的工業流程中落地 multi-agent AI。
arxiv: 2607.14158搜尋型 agent 老是卡迴圈？SearchOS 把搜尋進度變成「顯性的共享狀態」，加上失敗記憶機制，讓 multi-agent 協同搜尋比 baseline 快 24%、F1 提升 4.3 分。
arxiv: 2607.15257首個把「完成網頁任務」和「生成操作教學」合為一個 benchmark 的多模態評測，完全基於截圖；目前最強模型任務完成率低於 40%，GRPO 訓練讓 9B 小模型完成率從 6.9% 近乎翻倍到 13.2%。
arxiv: 2607.10079MCP 管「模型接工具」，A2A 管「Agent 跟 Agent 講話」，兩者不是競爭關係而是分層設計，就像 USB 跟 Wi-Fi 各管各的事，都需要。
arxiv: 2607.23884多步驟 Agent 任務不能每次呼叫 LLM 都重新選模型；TRACE-ROUTER 改成任務入場時選一次模型並釘死到任務結束，用最終結果回饋訓練選模型的策略，比傳統路由方式在相同延遲下多出 7–8 個準確率百分點。
arxiv: 2607.22465教 Agent 在多人對話中辨識「有人卡住了」，然後選對時機插一句有用的話，而不是一直打擾或一直沉默。
arxiv: 2607.03730把「哪些 agent 上場」、「怎麼溝通」、「最終怎麼整合答案」三件事分開設計，讓你可以各自換掉，不用每次重頭架系統。
arxiv: 2607.25446Volcengine（字節跳動旗下）開源 OpenViking，用 viking:// 虛擬檔案系統取代黑盒向量搜尋做 Agent 記憶，官方測試把準確率拉到 80%+ 同時省 34–91% token；munder-difflin 把多個 coding CLI 包成桌面辦公室、用共享記憶層互相協作；ai-memory 用 Rust MCP server 解決『換 CLI 就失憶』的痛點；mukul975 的資安技能包一天內衝到近 2.8 萬星。pydantic-ai v2.32.0 補強 OpenRouter/xAI 附件搜尋與 instrumentation。
ActBench 用執行軌跡紅隊測試協作 agent，固定 harness 下攻擊成功率仍達 73.7%–94.4%；Agent Behavioral Contracts II 證明同模型兩階段 pipeline 共同失敗率高達 90%，「條件獨立」假設不成立；Graph-Based RL Drift Diagnosis 用小模型外掛復原圖，在不重訓主力 agent 下偵測漂移並自動回滾
Vercel 推出 filesystem-first 的 TypeScript agent 框架 eve，深度綁定自家 AI Gateway/Sandboxes；Prime Intellect 的 Prime Agent 把整個對話 context 當程式變數，搭配可自我改寫的 Continual Harness；aden-hive 的 Hive 用『複製 Queen』取代預先編譯的執行圖；HKUDS 的 nanobot 靠 v0.3.0 Agency Release 半年內衝上 4.7 萬星。今日 watchlist 框架無重大版號更新。
EvoGraph-Mem 用失敗感知的可編輯圖譜讓 Agent 記憶能自我修正，避免過時洞見反覆污染決策；MAP-Graph 把出處追蹤從事後稽核變成即時存取控制，在 2,700 個合成任務上達到 95% 成功率；MaSRead 證明多 Agent 可以共用 KV cache 片段作為記憶，但讀取需要按內容定址而非位置定址
Muscle Memory 提出「編譯式記憶」取代檢索式記憶，在 90 個場景中贏下 88.9% 的個人化對決；MoRSE 用 role-subtask 條件化 LoRA 專家讓多 Agent 在程式碼生成上顯著超越純 prompt 分工；ASCon 建立統一故障歸因模型，在三種歸因目標上分別提升 5.83%、10.63%、14.73%
ToolLIFT 把工具軌跡抽象成函數級工作流圖，OOD 準確率平均提升 4+ 百分點；HyperAgent 用工具-Schema 超圖建構缺口驅動的支援子圖，在 AppWorld 上比 ReAct 高 14.3 百分點且 token 用量更低；多語言多 Agent 規劃診斷發現低資源語言的規劃失敗佔比隨語言資源下降而升高，TART 修正法平均提升 5.6 百分點
今天三篇論文分別從多 Agent 的「組織設計」、「安全隔離」與「使用者授權」三個維度切入平台建設難題。IMACS 把 multi-agent 系統拆成三個可獨立替換的層（組織、協調、協作演算法），讓框架設計者能像換積木一樣調整 Agent 角色或協作策略；APPA 用「分支上下文」打破 IFC（資訊流控制）的可用性瓶頸，在 4 個模型上把 prompt injection 外洩率從 31–50% 壓低至 0–7%；UW 的調查在 21 個 Agent 授權方案中發現，絕大多數系統只提供「開發者定義的全局策略」，使用者個人化授權幾乎付之闕如。三篇合在一起，勾勒出 agent 平台從原型走向生產
今天三篇各從不同角度逼視「Agent 在真實環境裡出事了怎麼辦」：ProACT 問的是多人協作中 Agent 應何時開口（Agent UX 設計問題）；第二篇用真實 GitHub 資料揭露 Coding Agent 和自己開的 PR 互衝（平台 ops 痛點）；第三篇從安全視角整理 Cyber-capable Agent 五大漏洞類別，以今年七月的 HuggingFace/OpenAI 事件為 case study。三篇合起來是一堂「Agent 上線後，你沒想到的麻煩都在這裡」速成課。
今天三篇論文共同聚焦在「生產級多代理人系統的基礎設施可靠性」：第一篇比較 MCP 與 A2A 兩個協定如何分工、不是競爭而是互補；第二篇實測工具升版後 12 個頂尖模型的能力退化，發現前沿模型也會掉分 13-14%；第三篇揭示把安全模型串成 pipeline 之後整體反而不安全，因為防護其實是靠雲端供應商的伺服器端過濾器在撐。三篇合起來回答了「怎麼接工具」、「工具升版會不會壞」、「串起來安不安全」三個平台工程師最實際的問題。
今天三篇論文從不同層面回答同一個問題：「怎樣才算一個真正能用的 agent 系統？」SearchOS-V1 給出架構答案——把搜尋進度外顯成結構化狀態、記錄失敗路徑，讓 multi-agent 協作搜尋更可靠；AutoSynthesis 展示高度結構化的學術任務（系統性文獻統合分析）可以被 multi-agent 流水線全自動化；Digital Pantheon 則解決「如何讓 agent 在壓力下維持既定人設」的角色工程問題，並引入可審計的多 agent 協商架構。三篇合看，分別對應 agent runtime 設計、workflow 編排、與人設工程三個核心挑戰的最新解法。
今日三篇論文從三個不同角度審視 AI coding agent 的落地挑戰：第一篇用系統性實驗揭露 coding agent 在安裝套件時可被普通 README 發動供應鏈攻擊，且防禦能力主要取決於 harness 框架而非模型本身；第二篇提出 BPO 演算法，專為 sandbox-native agent 強化學習設計，只在高熵關鍵決策點分叉採樣提升訓練效率；第三篇以電網研究為案例，展示 MCP 如何作為標準協議串接工業場景的 domain-specific 仿真工具，為垂直領域 agent 落地提供可複製模板。
今天三篇論文從三個維度切入「生產等級 Agent 可靠性」：MemCon 把記憶體操作建模為強化學習問題，讓 agent 自學何時存、取、忘，在 6 個 benchmark 上任務成功率最高提升 15.2 分；AgentCheck 把 MCP 伺服器變成除錯介面，開發者可重現工具故障、注入修復並驗證效果，填補了 MCP 生態長期缺乏「測試工具」的空缺；AgentAbstain 則用 263 個配對任務揭露：即便是最強的 frontier 模型，在「應拒絕行動」情境下正確率不到 60%，且棄動能力與任務解決能力幾乎無關——光靠換更強的模型無法解決這個問題。
三篇論文不約而同都在問同一個問題：agent 的每一步執行單元，到底應該怎麼設計才能讓它可稽核、可重用、出了錯能最小範圍修復？ATG 把任務分解成有向無環圖（DAG）讓子任務並行、中間結果可複用；PalmClaw 把手機原生 API 直接包成結構化工具，甩掉難以追蹤的 GUI 點擊序列；IoAT 則把 agent 網路延伸到 IoT 物理世界，從智慧建築到邊緣設備，畫出跨雲端、邊緣、感測器層的協調藍圖。共同主軸：執行邊界要清楚、動作要可稽核、失敗要能局部恢復。
今天三篇論文都圍繞「讓 agent 系統更安全、更可預測、不出包」這個主軸。前兩篇出自同一研究團隊，以靜態分析角度出發：一篇系統性揭露 agent 陷入無限循環的成因與規模，另一篇則為整個 agent 程式碼建立依賴圖，讓安全審計和元件盤點成為可能。第三篇針對 multi-agent 軟體開發，把 LLM 輸出的信心分數引入協作流程，防止早期幻覺向下游蔓延。
今天三篇涵蓋 AI Agent 生態的不同維度：Qwen 團隊推出首個跨七大 agent 領域的「語言世界模型」，讓 agent 能在模擬環境中訓練而非倚賴真實 API；快手 AgentX 展示多 Agent 系統在工業規模下的生產部署成果，把推薦算法迭代效率提升至人工的 13.8 倍；OpenAI 則用 Codex 真實使用數據，首次量化 agentic AI 正在如何改變各職能工作者的實際產出，並揭示非技術職能（法務、研究）的 agentic 紅利甚至超越工程師。
今天三篇各攻一個角度：第一篇 **RigorBench** 問的是「AI coding agent 怎麼解題」而非只看答對率，提出五維流程紀律指標；第二篇來自產業實踐，教你如何把大型 LLM multi-agent 系統客製化、加速，讓企業真的用得起（實測 4.48 倍吞吐量提升）；第三篇則從治理角度出發，為 AI 融入軟體開發生命週期提出一套正式協議語言，讓「哪些決定讓 AI 做、哪些要人工審核」從 prompt 裡的一句話，變成可機器驗證的規格。三篇合起來覆蓋「怎麼評估、怎麼部署、怎麼治理」。
今天三篇從工具可靠性、協定選型、多 Agent 協作三個角度切入 Agent 平台的痛點：PlanBench-XL 揭露頂尖 LLM 在真實大型工具環境下一遇到工具失效就崩潰（GPT-5.4 從 52% 跌至 11%）；TU Munich 給出第一份 MCP/A2A/ACP/ANP 等 9 個協定的技術分類法，讓選型有系統依據；AMD 的 Arbor 提出以樹狀搜尋作為多 Agent 的共享認知空間，讓失敗也成為有用的探索訊號。三篇合在一起，恰好描繪出 2026 年 Agent 平台的三塊基礎設施缺口。
今天三篇論文從不同角度切入同一核心問題：**如何在真實部署條件下評估與運行 AI Agent？** Emergence World 建立持續運行數週的多 Agent 沙盒，揭露短期 benchmark 看不到的行為漂移與跨模型交叉影響；Survey 論文為 agent 執行環境設計建立完整分類學（8 屬性 × 8 領域），並提出 symbolic vs. neural 兩種自動合成範式；Martin Monperrus 的 position paper 則直接宣告：coding agent 已達門檻，人工 code review 可以退場了。
今天三篇分別對應 agent 平台堆疊的三個層次：AgentJet（訓練層）提出讓多個異質 LLM 同步做強化學習訓練的分散式框架，解決現有工具只能單模型訓練的根本痛點；AdaPlanBench（評測層）用 67.75% 的成績上限揭示 LLM agent 在「規則邊走邊揭露」的現實場景中遠未成熟，是第一個系統量化這種適應性規劃能力的 benchmark；Beyond Tokens（通訊層）整理了 multi-agent 系統改用「傳 embedding 而非傳文字」的研究現狀，提供分類框架評估這條新通訊路徑的工程取捨。
今天三篇論文聚焦「agent 規模化部署的成本-能力邊界」：SR²AM 重新設計規劃架構，讓 30B 模型少用九成 token 就能競爭 685B-1T 系統；GroupMemBench 揭示現有記憶系統在多人群組對話中徹底崩潰（最強系統只有 46% 準確率，1990 年代的 BM25 關鍵字搜尋反而打贏它）；AgentFloor 用 16,542 次測試確認，agent pipeline 大量的短程 tool use 根本不需要大模型。共同主軸：在算力成本壓力下，精確判斷「哪個環節需要多少智慧」已成為 agent 平台設計的核心課題。
今天三篇分別從「設計語言」、「安全地圖」、「認知侷限」三個面向挑戰 AI Agent 實務：第一篇建立雙軸分類框架，讓工程師和研究者有共同語言溝通 agent 架構的設計取捨；第二篇系統整理 agentic AI 在工具呼叫、記憶體、多步驟執行中的安全與隱私風險全景；第三篇最具衝擊——用近 4 萬個 AI 生成想法的大規模實驗揭示，AI 研究 agent 傾向圍著舊文獻打轉而非真正拓寬科學探索。
今天三篇圍繞 2026 年 agent 平台最迫切的問題：**多代理系統的安全規範，在執行過程中能維持住嗎？** 2605.10481 命名了一個新失效模式——「約束漂移」（constraint drift）：系統設計時寫好的安全限制，會在代理人傳遞、記憶讀寫、工具呼叫過程中悄悄弱化，到輸出端時早已走樣。2605.07728（SARC）提出架構解法：把規範編譯成四個可執行卡關點，嵌進代理人執行迴圈，不再依賴 prompt 提醒，已開源。2605.13851 則用心理學實驗發現：當多代理系統的協調者是「隱形的」，整個系統的保護性行為會顯著下降——這對主流 orchestrator-based 架