HTN-Orchestrate：面向多智能体编排的分层任务网络框架
🧭 多智能体编排 · 分层任务网络规划 ★ 深度解读
Nanyang Technological University · Apodex
两层 HTN 解耦全局规划与局部多智能体执行，结果驱动增量分解与重建，在多个 benchmark 超 Agent Team
📌 工作参考价值（4 点）
- 长链路电商/广告调研任务改造成双层 HTN：上层 Planner 只维护任务树和 sibling prerequisites（例如“先锁定竞品列表/人群画像 → 再生成文案/定价策略”），不要把整个 campaign 静态拆完；把满足 Ready 条件的叶子交给局部 Orchestrator，减少全局单点规划误差。
- 结果驱动分解，别一开始拆全量：对依赖前置结果的节点，等前置返回成功证据后再展开下游 prompt/worker；这能减少无效检索和 token 成本，论文消融显示可降低 worker invocations 和 Orchestrator rounds，同时精度更好。
- 失败重建带证据，而不是裸 retry：设置 epoch 上限和 CollectEvidence，把已验证候选、排除项、部分结论写入 evidence summary 再重建任务网络；适合搜推中的归因排查、商品信息补全、竞品调研等长链路任务。
- 叶子内多 worker 调度模式可直接复用：局部 Orchestrator 采用 dispatch/wait/finish，支持报告渐进收集、verifier 校验、并发上限和轮次上限，适合需要“并行检索 + 交叉验证”的推荐解释或广告素材生成。
Eureka：面向科学发现的任务条件化元智能体编排
🧭 Meta-Agent 任务条件编排与自演化 ★ 深度解读
ManXis · Guangdong University of Technology · South China Normal University · Shanghai Jiao Tong University · Duke University
提出任务条件的 Meta-Agent 架构，动态编译义务图并形成专门代理，通过治理式演化完成长程科学发现
📌 工作参考价值（4 点）
- 动态义务图 + ready frontier 调度：在电商多 Agent 场景（如大促策划、商品打标、广告文案生成）中，避免一次性完整规划，改为维护有依赖关系的义务图，仅执行前置条件已满足的节点，减少规划浪费和上下文膨胀。
- 架构热点识别与 Macro-Agent 封装：根据子任务间状态共享、依赖密度、操作复用等遥测，将高频协作的子任务封装为拥有私有状态和工具集的专门子 Agent，减少重复状态加载和通信 token；父编排器只通过类型化接口查看已验证产物。
- 治理式自演化（governed evolution）：不盲目循环优化，而是用 cost-benefit gate 判断是否值得修改架构；对低风险局部变异（如 prompt/工具接口）给予有限租约，结构性变更升级到高层，避免长程任务中过度搜索。
- 接受证书机制：对关键节点输出附带可回放收据和验证器契约，确保在复杂流程（如推荐策略生成、数据管道）中每个环节可审计，避免置信错误。
Orchestra-o1：面向全模态智能体的编排框架
🧭 多智能体编排与训练 ★ 深度解读
CUHK · LIGHTSPEED · PKU · THU · Tongji University
提出支持文本/图像/音频/视频的全模态多智能体编排框架，通过模态感知任务分解与并行执行实现高效协作。
📌 工作参考价值（4 点）
- 多模态任务解耦：将感知（图像/音频/视频分析）与行动（搜索、代码执行）拆分为专业化子Agent，由主Agent统一调度，可迁移至电商商品理解场景（如同时处理商品图、详情视频、用户评论）。
- 依赖感知并行调度：对无依赖的子任务（例如提取图像地点和音频事件）并行执行，显著降低延迟。在推荐系统流水线中，可并行请求多模态编码服务或外部知识库，加快响应速度。
- 离线强化学习训练编排模型：DA-GRPO 利用专家轨迹和四维奖励（格式、动作、工具合理性、决策质量）离线训练，无需在线执行子Agent即可获得密集监督。适合在内部数据上低成本训练任务编排模型，避免线上试错开销。
- 能力匹配路由：将工具/模型选择形式化为能力向量匹配问题，可根据子任务难度动态分配不同规格的模型（如轻量模型做简单提取，强模型做复杂推理）。电商搜索/推荐中可借鉴同类思路，按请求复杂度路由到不同算力资源。