Stellar Colosseum: A Many-Agent Harness for Long-Horizon Research in Mathematics and Theoretical Computer Science
Stellar Colosseum：面向数学与理论计算机科学长程研究的多智能体协作框架
🧭 多智能体长程推理编排 ★ 深度解读
Google Research · Carnegie Mellon University
多智能体编排系统，用策略探索、反证与树聚合组织长程研究，在TCS-Bench达71.0%、Codeforces 218/222
📌 工作参考价值（4 点）
- 借鉴“就绪门”控制：将长流程显式分为策略探索、就绪判定、分解、局部求解、全局验证，适合电商/Agent 中的复杂多步任务（如营销策略生成、多跳 query 解析、自动实验设计），避免过早定型或无限探索。
- 树聚合保留批判：候选生成后做定向反证，聚合时保留 objections 而非简单投票。可用于多路召回/排序模型集成、多 Agent 辩论，防止共享错误被多数票掩盖；尤其适合需要证据链的 RAG 与生成式推荐评估。
- 依赖图分解与局部重试：把大文档/大任务拆成 DAG 子问题，依赖完成才执行，失败只重试局部。推荐 pipeline 中可将检索、粗排、精排、重排解耦，线上某环节退化时只回滚/重跑局部，不改全局。
- 共享知识目录：跨轮保存定理、失败路径、引用与观察，避免重复踩坑。在推荐用户画像、搜索 query 策略、Agent memory 中可维护历史尝试与用户反馈，形成可复用的结构化记忆。