为什么多智能体系统不再按脚本运行
大型语言模型能够组成团队：一个智能体收集数据，另一个核查事实，第三个制定最终答案。直到不久前，这类组合还是预先设计的：开发者指定谁与谁通信以及按什么顺序。只要任务类型相似，这种方式就很方便。但一旦输入的是复杂、非常规的请求，僵化的架构就开始碍事：一些智能体闲置，另一些被别人的错误卡住，推理链变得过长或过短。
解决方案是所谓的 self-evolving（自进化）多智能体系统。它们不采用静态模板，而是实时挑选合适的工作流程：分配角色、调整步骤顺序，并决定此刻哪些智能体应该通信。ST-EVO 这一研究思路正属于此类。
空间与时间演化：为什么单一维度不够
目前大多数智能体自组织算法只从两个方向之一发展通信。
空间演化回答“与谁对话”的问题：系统根据当前请求改变智能体之间的连接拓扑。它可以添加新参与者、移除多余的参与者，或在执行者之间重新分配子任务。
时间演化回答“按什么顺序行动”的问题：系统会延长、缩短或重排推理阶段，以更好地匹配任务结构。
每个维度单独来看都能改善系统性能，但并不彻底。空间调优忽略了累积的经验和过程的动态；时间调优则不考虑下一步具体面向谁。ST-EVO 的作者建议同时关注这两个维度，并在空间和时间上规划通信：重要的不仅是哪些智能体参与对话，还包括它们在什么时刻加入讨论。
智能体通信的“日程表”如何构建
在 ST-EVO 内部，负责重构交互的是一个基于 flow matching（流匹配）的规划器——这是一种生成式方法，能够将一个可能结构的分布平滑地转换为另一个。系统不是枚举所有连接方案，而是预测哪种对话结构方案会成为下一步。这种规划器不是作用于智能体之间单个“话轮”的层面，而是作用于对话路由的层面：它决定当前应在哪些参与者之间建立通信。
一个重要细节是系统感知自身不确定性的能力。如果某个智能体对中间结果没有把握，ST-EVO 可以调整数据传输路径：例如，将请求转交给另一个智能体，增加额外的核查步骤，或彻底改变角色分配。此外，系统还获得 self-feedback（自我反馈）：在完成任务后，它会积累成功和失败的案例，以便下次更快地找到高效的通信拓扑。
实验显示了什么
研究人员在九个基准测试上检验了 ST-EVO，覆盖了从数据分析到复杂推理的不同任务类型。几乎所有场景下，该方法都达到了 state-of-the-art（最先进）水平：与替代方法相比，准确率提升约为 5% 到 25%。这种差异是因为对某些类型的任务来说，用动态方案替代静态脚本带来的收益比其他任务更大。
这在实践中意味着什么
ST-EVO 看起来不只是又一种“对智能体稍作调整”的方法，而是迈向复杂系统全面自组织的一步。如果沿着这个方向发展，设计好的流程与智能体真实行为之间的差距将逐渐变得几乎不可察觉。系统将能够自行决定何时重构、让谁加入对话以及如何利用过往经验——无需手动描述所有可能的场景。
