#Agent Infrastructure

3 篇

Agensh: Scaling Organizational Intelligence to 1,024 Agents

Agensh：将组织智能扩展至1024个智能体

🧭 多智能体自组织协作扩展 ★ 深度解读

Microsoft Research

去中心化自组织多智能体框架，无中心协调者扩展到1024 agents，长程重建任务成功率随agent数量提升且更快达标

📌 工作参考价值（4 点）

去中心化任务自组织：在选品、搜索 query 挖掘、商品知识库构建等需要大量并行探索的场景中，用 shared context 中的 CLAIM + 类型化记录替代中心 planner，能避免单点瓶颈；尤其 FAIL 记录可以防止多个 worker 重复尝试无效方案。
用成熟组件搭 multi-agent 基础设施：Git / Gitea 做 workspace，Mattermost 做消息，append-only board 做共享记忆，工程成本低且原生支持并发合并与冲突检测；电商 Agent 并发修改商品文案、活动页时可直接借用。
消息分级与 mid-turn 注入：对冲突或依赖用 direct message 在当前 turn 送达，普通公告在下一回合开始处理，能显著降低协调延迟；适合实时广告调价、大促实时选品等对延迟敏感的业务。
规模化带来“更快达到同一效果”：如果业务任务有硬时间预算，增加并发 worker 数不仅提升最终质量，还能缩短达到给定质量的时间；可尝试从少量 Agent 扩展到 100+ 做长程生成式任务。

MultiAgent | 2026-09-22 | cs.CL | score 9/10

SocioVerse2：人机共进化范式下的纵向动态社会模拟框架

🧭 多智能体社会模拟框架

Shanghai Innovation Institute · Fudan University · King's College London · Tongji University · Northwestern Polytechnical University

提出 SocioVerse2 框架，以双循环与智能基础设施支持可干预、可控制、纵向的社会模拟研究

📌 工作参考价值（4 点）

借鉴双循环架构：将“环境模拟/用户行为演化”与“策略实验控制”解耦，建立可版本化的实验流水线，支持反事实对比（如推荐策略变更后的预估影响），提高实验可复现性。
引入可编辑状态与检查点：对推荐/广告实验流程进行版本化管理和回滚，便于追踪策略变化及归因；类似 MLflow 但更侧重流程控制。
构建环境服务保证时点一致性：在电商场景中，用户行为、商品库存等数据有强时效性，离线评估模拟时需按时间点取一致快照，避免数据穿越；其服务化设计可直接迁移到仿真平台。
利用生成式智能体池做用户模拟：构建多 persona 池和可组合技能，模拟用户群体，用于推荐系统的冷启动策略预演、广告投放模拟和 AB 测试代理评估。

MultiAgent | 2026-09-21 | cs.CL | score 6/10

内核管理的共享内存：面向系统级个性化的多智能体基础设施

🧭 多智能体共享记忆与个性化基础设施 ★ 深度解读

Rutgers University

将多智能体个性化记忆的检索、隐私与注入集中到系统内核，以更低延迟和 token 成本获得与全量上下文接近的效果

📌 工作参考价值（5 点）

统一记忆管理层：在电商/广告多 Agent 系统（如商品推荐 Agent、用户助手、客服 Agent）中，将用户画像/会话记忆的检索、隐私过滤、格式化与注入上移到中心服务，避免每个 Agent 各自实现导致逻辑重复与隐私漏洞。
写屏障保证一致性：当多个 Agent 异步写入用户偏好或任务状态时，用 per-user 序列号 + 等待写确认的机制确保读后写一致，防止推荐/对话中因竞态缺失最新画像。
格式化记忆为自然语言：对 7B/8B 小模型，将结构化 JSON 画像转成自然语言语句再注入 prompt，可明显提升利用效果；结构化存储仅用于检索和审计。
成本-效果权衡：不要默认拼接全量上下文，而是用检索截断后的精选记忆（top-k + token 预算），在效果接近的情况下延迟可降低 15–61%，适合线上高并发推荐/对话场景。
显式身份解析优先级链：多用户并发时按“请求标识 → 最近会话 → 历史注册 → Agent 自身”的顺序解析用户 ID，可有效避免交叉污染，值得在用户画像服务中复用。

MultiAgent | 2026-09-09 | cs.AI | score 8/10