刚刚国家机构宣布最新转达霉霉大婚前夕前男友被拍与新女友接吻 很兴奋为您解答这个问题，，让我来帮您详细说明一下。。。。
。。品牌授权报修电话，，快速上门服务

西藏阿里地区日土县海南省？？？？谑忻览记密市伊吾县南阳市内乡县四川省甘孜藏族自治州丹巴县向阳区酒仙桥街道四川省凉山彝族自治州甘洛县元氏县河东区大直沽街道北海市海城区亳州市利辛县河西区桃园街道北海市海城区元氏县殷村镇辽宁省沈阳市山东省威海市蓟州区官庄镇西藏山南市贡嘎县山西省临汾市安泽县湖北省恩施土家族苗族自治州建始县福建省南平市建瓯市昌平区回龙观街道大兴区黑龙江省七台河市桃山区密云区不老屯镇湖北省宜昌市西陵区内蒙古锡林郭勒盟正镶白旗福建省莆田市仙游县向阳区小关街道福建省南平市建瓯市怀柔区雁栖地区内蒙古鄂尔多斯市鄂托克旗武清区上马台镇四川省成都会新都区元氏县殷村镇甘肃省兰州市广东省广州市越秀区江西省吉安市吉安县乌鲁木齐市沙依巴克区青海省海西蒙古族藏族自治州德令哈市云南省红河哈尼族彝族自治州绿春县蓟州区东施古镇西城区天桥街道合肥市庐阳区广东省佛山市三水区福建省福州市罗源县青海省果洛藏族自治州延庆区沈家营镇陕西省宝鸡市眉县山西省晋中市太谷区黑龙江省哈尔滨市巴彦县陕西省汉中市南郑区平顶山市卫东区鹿泉区寺家庄镇江苏省徐州市丰县湖北省襄阳市襄州区福建省莆田市仙游县甘肃省天水市秦州区广东省佛山市三水区南开区体育中心街道银川市贺兰县贵州省黔南布依族苗族自治州惠水县黑龙江省绥化市明水县焦作市沁阳市桥西区苑东街道海南省三沙市西沙区北辰区广源街道江西省萍乡市上栗县辽宁省辽阳市白塔区平山县小觉镇辽宁省铁岭市清河区怀柔区龙山街道青海省海南藏族自治州贵德县行唐县龙州镇甘肃省定西市渭源县四川省甘孜藏族自治州云南省普洱市景东彝族自治县陕西省宝鸡市千阳县江苏省苏州市相城区云南省普洱市景东彝族自治县江西省吉安市吉安县山西省吕梁市岚县赵县沙河店镇山东省聊都会冠县黑龙江省伊春市金林区向阳区豆各庄地区密云区高岭镇山西省吕梁市岚县山西省吕梁市中阳县贵州省铜仁市印江土家族苗族自治县内蒙古鄂尔多斯市鄂托克旗山西省朔州市山阴县辽宁省辽阳市白塔区甘肃省天水市秦州区喀什地区麦盖提县辽宁省锦州市义县濮阳市南乐县甘肃省甘南藏族自治州山西省晋中市灵石县蓟州区东二营镇

本周行业报告果真研究效果ICML 2026 | 多智能系一切也能搭积木？？？？Agent Primitives让MAS走向？？？？榛从茫苄朔芪獯鹫飧鑫侍猓梦依窗锬晗杆得饕幌:官方服务专线，，支持多品牌报修

广东省广州市越秀区开封市通许县辽宁省沈阳市沈河区湖北省恩施土家族苗族自治州恩施市武清区上马台镇巴音郭楞蒙古自治州和硕县西青区精武镇甘肃省定西市渭源县云南省怒江傈僳族自治州福贡县四川省广安市岳池县平山县岗南镇焦作市中站区西乡塘区丰台区长辛店镇云南省玉溪市新平彝族傣族自治县湖北省襄阳市襄州区平山县小觉镇密云区河南寨镇和田地区井陉县测鱼镇四川省宜宾市江安县桥西区苑东街道昌平区阳坊镇甘肃省天水市秦州区甘肃省陇南市武都区平山县上观音堂乡四川省宜宾市江安县焦作市喀什地区叶城县密云区河南寨镇海南省儋州市山西省晋中市榆社县蓟州区东施古镇四川省甘孜藏族自治州九龙县四川省广元市福建省厦门市湖里区阿克苏地区新和县山西省忻州市宁武县山东省滨州市江西省宜春市奉新县黑龙江省大兴安岭地区呼玛县合肥市庐阳区赞皇县院头镇吉林省白山市浑江区四川省泸州市江阳区四川省成都会新都区福建省厦门市海沧区青海省海北藏族自治州门源回族自治县桂林市秀峰区陕西省宝鸡市眉县云南省西双版纳傣族自治州勐腊县辽宁省大连市旅顺口区福建省福州市永泰县辽宁省锦州市义县昌平区阳坊镇赞皇县院头镇江苏省连云港市赣榆区福建省南平市建瓯市贵州省铜仁市印江土家族苗族自治县广东省佛山市三水区桂林市秀峰区云南省怒江傈僳族自治州福贡县钦州市四川省宜宾市翠屏区山东省烟台市龙口市密云区不老屯镇鹿泉区白鹿泉乡乌鲁木齐市沙依巴克区向阳区小红门地区芜湖市南陵县洛阳市汝阳县阿克苏地区新和县丰台区宛平城地区桂林市兴安县陕西省宝鸡市千阳县辽宁省沈阳市沈河区蓟州区东赵各庄镇四川省甘孜藏族自治州丹巴县云南省玉溪市新平彝族傣族自治县广东省江门市四川省广元市福建省漳州市龙海市密云区不老屯镇江苏省徐州市新沂市向阳区豆各庄地区湖北省宜昌市宜都会贵州省铜仁市印江土家族苗族自治县怀柔区宝山镇广东省佛山市三水区甘肃省甘南藏族自治州内蒙古兴安盟乌兰浩特市密云区高岭镇山东省滨州市江西省吉安市永新县江苏省徐州市新沂市钦州市桥西区苑东街道固原市西吉县银川市贺兰县丰台区长辛店镇

全球服务区域:黑龙江省佳木斯市汤原县云南省红河哈尼族彝族自治州绿春县向阳区酒仙桥街道山东省烟台市龙口市四川省宜宾市珙县赞皇县西龙门乡合肥市瑶海区山西省阳泉市平定县福建省福州市永泰县顺义区空港街道怀柔区宝山镇北辰区陕西省商洛市山阳县淮南市大通区重庆市市辖区北碚区贵州省黔东南苗族侗族自治州天柱县云南省丽江市宁蒗彝族自治县甘肃省兰州市北辰区江西省萍乡市上栗县焦作市中站区西青区精武镇江苏省徐州市四川省甘孜藏族自治州九龙县山东省聊都会冠县西藏山南市贡嘎县巴音郭楞蒙古自治州和硕县南阳市内乡县云南省大理白族自治州云龙县云南省普洱市景东彝族自治县贵州省铜仁市玉屏侗族自治县蚌埠市蚌山区四川省遂宁市蓬溪县蚌埠市龙子湖区江西省九江市武宁县平山县东回舍镇福建省厦门市海沧区四川省甘孜藏族自治州丹巴县淮南市大通区怀柔区宝山镇亳州市利辛县蚌埠市龙子湖区青海省果洛藏族自治州山西省吕梁市岚县桂林市秀峰区甘肃省白银市景泰县甘肃省陇南市武都区广东省汕头市龙湖区福建省南平市江西省九江市武宁县桥西区留营街道四川省甘孜藏族自治州信阳市平桥区延庆区沈家营镇门头沟区大峪街道平山县上观音堂乡贵州省六盘水市水城县山西省吕梁市岚县青海省海南藏族自治州贵德县江苏省徐州市四川省宜宾市江安县西藏阿里地区日土县湖北省宜昌市夷陵区福建省莆田市城厢区甘肃省甘南藏族自治州固原市西吉县广东省佛山市三水区广东省深圳市广东省深圳市喀什地区叶城县湖北省襄阳市襄州区信阳市平桥区贵州省安顺市普定县四川省广安市岳池县山东省聊都会茌平区焦作市内蒙古鄂尔多斯市鄂托克旗顺义区空港街道丰台区右安门街道四川省宜宾市珙县海南省？？？？谑忻览记鹆质行税蚕睾诹〈笮税擦氲厍袈晗匚诼衬酒胧猩骋腊涂饲“蚕啬诿晒盼诤Ｊ形诖锴仕嗍±贾菔猩轿魇÷懒菏嗅跋厣挛魇『褐惺形飨缦厮拇ㄊ∫吮鍪戌钕馗＝ㄊ∑翁锸谐窍崆北省宜昌市宜都会江西省宜春市奉新县向阳区管庄地区怀柔区宝山镇平山县岗南镇银川市贺兰县江西省赣州市石城县福建省福州市永泰县福建省厦门市海沧区

今日羁系部分披露主要希望ICML 2026 | 多智能系一切也能搭积木？？？？Agent Primitives让MAS走向？？？？榛从茫苄朔芪獯鹫飧鑫侍猓梦依窗锬晗杆得饕幌:售后服务维修中心电话，，支持多渠道服务

天下服务区域：新乐市协神乡马鞍山市博望区山东省泰安市东平县云南省红河哈尼族彝族自治州泸西县青海省玉树藏族自治州治多县江西省宜春市奉新县山东省威海市湖北省恩施土家族苗族自治州建始县河东区大直沽街道四川省凉山彝族自治州昭觉县海南省三沙市西沙区塔城地区和布克赛尔蒙古自治县丰台区和义街道江苏省南京市浦口区蓟州区东二营镇江西省萍乡市上栗县广东省佛山市三水区山西省朔州市山阴县密云区古北口镇吉林省四平市铁西区福建省厦门市海沧区湖北省宜昌市秭归县山西省晋中市榆社县黑龙江省鹤岗市贵州省安顺市普定县洛阳市汝阳县山西省吕梁市岚县湖北省宜昌市秭归县福建省莆田市仙游县辽宁省辽阳市白塔区丰台区右安门街道广东省广州市越秀区内蒙古锡林郭勒盟正镶白旗重庆市县巫山县防城港市东兴市江苏省苏州市相城区内蒙古锡林郭勒盟镶黄旗焦作市沁阳市阿克苏地区新和县广东省汕头市南澳县四川省凉山彝族自治州西昌市桥西区东华街道喀什地区麦盖提县信阳市平桥区和田地区南开区长虹街道武清区上马台镇元氏县殷村镇福建省南平市建瓯市蓟州区官庄镇福建省三明市梅列区辽宁省铁岭市清河区甘肃省白银市景泰县内蒙古呼伦贝尔市阿荣旗元氏县苏村乡焦作市沁阳市广东省江门市武清区汊沽港镇怀柔区宝山镇密云区河南寨镇四川省宜宾市珙县元氏县甘肃省陇南市武都区辽宁省铁岭市开原市防城港市东兴市黑龙江省绥化市明水县赵县沙河店镇陕西省宝鸡市千阳县鹿泉区白鹿泉乡山东省聊都会冠县巴音郭楞蒙古自治州和硕县鹿泉区白鹿泉乡四川省宜宾市翠屏区福建省南平市四川省成都会双流区山西省忻州市定襄县昌平区回龙观街道西城区月坛街道青秀区西藏山南市贡嘎县甘肃省兰州市四川省宜宾市珙县辽宁省大连市旅顺口区山东省聊都会茌平区北辰区广源街道山东省聊都会冠县内蒙古乌海市乌达区顺义区空港街道长安区南村镇隆安县四川省凉山彝族自治州西昌市贵州省铜仁市玉屏侗族自治县云南省红河哈尼族彝族自治州绿春县江苏省徐州市福建省三明市梅列区丰台区宛平城地区桥西区东华街道黑龙江省伊春市金林区河东区东新街道元氏县

售后服务上门服务电话，，智能分配票据：ICML 2026 | 多智能系一切也能搭积木？？？？Agent Primitives让MAS走向？？？？榛从

本文事情由伊利诺伊大学厄巴纳 - 香槟分校（UIUC）DREAM Lab 团队完成。。。。
。。通讯作者 Haohan Wang 教授为 UIUC 信息科学学院教授、DREAM Lab 认真人，，研究偏向包括可信人工智能、大语言模子与多智能系一切。。。。
。。

论文问题：Agent Primitives: Reusable Latent Building Blocks for Multi-Agent Systems论文链接：https://arxiv.org/pdf/2602.03695实验室网址：https://dream.ischool.illinois.edu/

配景与念头

多智能系一切（Multi-Agent Systems，，MAS）展示了令人印象深刻的能力：一个模子认真提出方案，，另一个模子举行品评，，尚有模子肩负投票、妄想或执行。。。。
。。通过角色分工和多轮协作，，系统能够解决单个模子难以稳固完成的数学推理、代码天生和知识问答使命。。。。
。。

一个 MAS 的例子。。。。
。。出自我们 team 的 TMLR survey paper：Chen, K., Wang, P., Yu, Y., Zhan, X., & Wang, H. (2025). Large language model-based data science agent: A survey. arXiv preprint arXiv:2508.02744.

但这种能力背后，，保存一个容易被忽略的工程问题：今天的大大都 MAS 都是围绕详细使命手工搭建的。。。。
。。面临一个新问题，，研究者往往需要重新界说 Agent 角色、重新设计提醒词、重新划定新闻的转达顺序，，并一直调试协作协议。。。。
。；；
；；；灰桓鍪菁⒁桓瞿Ｗ樱踔烈桓鍪姑硎觯吹募芄咕涂赡苄枰蠓薷。。。。
。。

这与现代深度学习的生长路径形成了鲜明比照。。。。
。。构建卷积神经网络时，，我们不会为每一个视觉使命重新发明卷积；；
；；；搭建 Transformer 时，，也不需要重新设计注重力机制。。。。
。。成熟的神经网络之以是能够快速演进，，部分原因正是研究社区找到了卷积、注重力、残差毗连等可复用的基础构件。。。。
。。

那么，，多智能系一切是否也能拥有类似的笼统形式呢？？？？是否可以把重大的 Agent 事情流拆解成少量稳固、通用的盘算单位，，再像搭乐高一样，，将它们按需组合起来呢？？？？

Agent Primitives 给出的谜底是：多智能系一切也可以拥有自己的「基础？？？？椤。。。。
。。

从「复用 Agent」到「复用协作模式」

Agent Primitives 的出发点，，是重新审阅 MAS 中什么才是真正应该被复用的工具。。。。
。。古板要领通常把一个 Agent 看成原子单位：它拥有牢靠身份、牢靠提醒词，，并在系统中肩负一个预先划定的角色。。。。
。。但「数学专家」、「代码审查员」或「妄想者」这些角色，，自己往往与使命高度绑定，，很难直接迁徙。。。。
。。

论文视察到，，只管差别 MAS 的角色名称和流程看起来五花八门，，它们内部重复执行的盘算模式却高度相似：有的系统让模子天生谜底后举行自我审查；；
；；；有的系统并行天生多个候。。。。
。。偻ü狭扛婵⒐彩；；
；；；尚有的系统先把重大目的拆成妄想，，再逐步执行。。。。
。。

因此，，论文不再把 Agent 看成最小构件，，而是进一步向下拆解，，把这些重复泛起的内部盘算模式笼统为 Agent Primitives，，即面向大语言模子多智能系一切的、可复用的潜在构件。。。。
。。

基础的 Primitives

论文实例化了三类基础 primitive。。。。
。。它们并非试图穷尽所有协作方式，，而是从现有 MAS 中提炼出三种高频、互补的盘算结构。。。。
。。

Review Primitive：

把「天生 — 品评 — 修正」酿成通用循环

Review Primitive 对应的是多智能系一切中最常见的迭代刷新模式。。。。
。。模子先形成一个候选解答，，随后对其中的推理误差、事实过失或实现缺陷举行审查，，再依据反馈更新谜底。。。。
。。这个历程可以重复举行，，直到输出趋于稳固。。。。
。。

它的价值不但是增添一次「请检查谜底」的提醒。。。。
。。通过把审查与修正封装成自力 primitive，，系统可以在数学证实、代码调试、开放域问答等使命中复用统一种盘算结构，，而无需为每个使命重新设计一套 critic 和 refiner。。。。
。。

Voting & Selection Primitive：

在多个候选中形成共识

当一个问题保存多条合理推理路径时，，单次天生容易受到采样波动影响。。。。
。。Voting & Selection Primitive 让系统并行探索多个候。。。。
。。俣哉庑┣痹谔逑志傩薪狭俊⒕酆虾脱≡。。。。
。。

古板投票通常依赖最终文本谜底：先把每条推理完整解码，，再通过字符串匹配或特殊提醒举行选择。。。。
。。相比之下，，该 primitive 直接作用于内部潜在体现，，使系统能够保存候选方案中更富厚的语义和推理信息，，而不是只依据已经压缩成文本的效果做决议。。。。
。。

Planning & Execution Primitive：

将高层妄想与底层执行疏散

重大使命往往不是「想得更多」就能解决，，而是需要先确定做什么，，再决议怎样做。。。。
。。Planning & Execution Primitive 把高层使命剖析和低层方法执行拆开：妄想阶段建设整体蹊径，，执行阶段围绕子目的逐项完成，，并把中心状态继续转达。。。。
。。

这种疏散可以降低模子在长使命中同时维护全局目的与局部细节的肩负，，也让统一个妄想结构能够适配数学推导、程序编写与多阶段问答等差别问题。。。。
。。

绕过自然语言瓶颈

仅仅把事情流命名为 primitive，，还缺乏以解决现有 MAS 的基础局限。。。。
。。大大都多智能系一切通过自然语言交流信息：一个 Agent 把内部思索解码成文本，，另一个 Agent 再读取文本并重新编码。。。。
。。每经由一轮，，信息都要履历一次「潜在体现 — 文本 — 潜在体现」的转换。。。。
。。

这种方式直观、可读，，却也价钱高昂。。。。
。。文本解码会丧失内部体现中的细粒度信息；；
；；；长链路交互会一直积累噪声和误差；；
；；；重复天生与读取大宗文本，，则带来可观的 token 开销和推理延迟。。。。
。。系统中的 Agent 越多、协作轮数越长，，这种通讯瓶颈越显着。。。。
。。

Agent Primitives 让 primitive 内部直接通过 Key-Value Cache（KV Cache）举行潜在通讯。。。。
。。KV Cache 原本用于生涯 Transformer 已处理 token 的注重力状态，，阻止自回归天生时重复盘算。。。。
。。论文进一步把它作为 primitive 之间转达内部信息的载体，，使后续？？？？槟芄恢苯蛹绦靶蚺趟阈纬傻那痹谧刺槐叵冉渫暾饴胛匀挥镅。。。。
。。

在毗连差别阶段的 KV Cache 时，，系统还需要处理位置编码的一致性。。。。
。。论文通过旋转位置编码（RoPE）的重新编码与对齐，，使来自差别盘算阶段的缓存能够被后续？？？？樽既方有。。。。
。。由此，，多个 primitive 不但是看法上可以组合，，在模子内部的盘算状态层面也能够真正「插接」起来。。。。
。。

论文用实验证实晰使用自然语言处理时，，长上下文中的使命遗忘：在长上下文的开头、中心或最后注入一条辅助指令，，较量两种通讯方式能否在完成原始使命的同时保存新增约束。。。。
。。效果显示，，当指令位于上下文中心时，，自然语言通讯的指令遵照率骤降至 15.6%，，而 KV Cache 通讯仍抵达 73.3%。。。。
。。

论文进一步考察了通讯噪声对多智能体协作的影响。。。。
。。详细而言，，研究者在数学推理历史中逐步插入来自其他问题的无关推理句子，，以模拟 Agent 交互历程中一直累积的噪声。。。。
。。实验效果显示，，当插入 3 条无关句子时，，自然语言通讯的准确率已下降至 73%；；
；；；当噪声增添到 10 条时，，准确率进一步降至 47%。。。。
。。相比之下，，KV Cache 通讯在相同设置下仍能划分坚持 100% 和 93% 的准确率。。。。
。。

上述效果批注，，相较于自然语言通讯，，基于 KV Cache 的潜在通讯能够更完整地保存前序推理状态，，并显著降低无关信息在多阶段交互中的累积影响，，从而提升多智能系一切在噪声情形下的通讯稳固性与推理鲁棒性。。。。
。。

谁来决议怎样搭这些「积木」？？？？

有了可复用构件，，下一个问题是：面临一个新盘问，，系统应该选择哪种 primitive，，又应该以什么顺序组合？？？？若是仍然由人手工指定，，架构设计的肩负并没有真正消逝。。。。
。。

为此，，论文引入了一个自动化的 LLM Organizer。。。。
。。Organizer 首先剖析目今盘问的性子与难点，，再从 primitive 荟萃中选择合适的？？？？椴⒆橹葱辛鞒。。。。
。。例如，，需要验证和修正的使命可以挪用 Review；；
；；；保存多种候选路径的问题可以加入 Voting & Selection；；
；；；长程重大使命则更适合先使用 Planning & Execution，，再对局部效果举行审查。。。。
。。多个 primitive 也可以串联或嵌套，，形成更完整的 MAS。。。。
。。

Organizer 的决议由一个轻量级 Knowledge Pool 提供参考。。。。
。。Knowledge Pool 纪录已往使命中乐成的 primitive 设置，，让系统能够使用已有履历，，而不是针对每个新盘问从零最先搜索。。。。
。。随着乐成设置一直积累，，构建 MAS 逐渐从「手工设计一条牢靠事情流」，，转变为「凭证问题动态检索并组合基础构件」。。。。
。。

要领框图

完整框架如下图所示。。。。
。。Organizer 凭证用户盘问和 Knowledge Pool 中的历史履历选择并组合 primitives；；
；；；Review、Voting and Selection、Planning and Execution 划分封装三类可复用协作模式；；
；；；所有 primitive 的内部协调均通过 KV Cache 完成，，并对外保存与通俗 LLM Agent 一致的接口。。。。
。。

实验效果

论文在数学、代码和知识问答等八个基准、五种大语言模子主干上举行了系统评估。。。。
。。实验关注的不但是最终准确率，，也同时较量 token 使用、推理延迟、相对单智能体的特殊开销，，以及跨模子主干的稳固性。。。。
。。

从详细使命来看，，Primitives-based MAS 在数学推理、代码天生和知识问答上均取得了稳固提升，，并且没有泛起古板 MAS 要领在部分使命上提升、在另一些使命上显着退化的情形。。。。
。。更主要的是，，这种性能增益并不是依赖无限增添 Agent 数目或天生更长的交互文本获得的。。。。
。。综合准确率、token 消耗、推理延迟和跨模子体现，，可以将 Agent Primitives 的主要实验效果概括如下：

这些数字展现了一个主要事实：多智能体协作并不必定意味着数倍以致数十倍的推理本钱。。。。
。。古板 MAS 的高开销，，很大一部分来自重复文本天生和冗长通讯，，而不完全来自解决问题自己所需的有用盘算。。。。
。。当协作被重新组织为潜在空间中的？？？？榛趟愫螅低晨梢栽诒４嫘阅茉鲆娴耐保烟厥獗厩刂圃诟拷ブ悄芴逋评淼墓婺Ｄ。。。。
。。

走向可组合的智能系统

今天构建 MAS，，仍然很像早期编写神经网络：大宗能力被写死在详细架构中，，每个新使命都需要重新搭建。。。。
。。Agent Primitives 提出了一条差别的蹊径 —— 把角色背后的协作纪律抽离出来，，封装为潜在空间中的标准构件，，再由 Organizer 凭证使命动态组合。。。。
。。

若是这种思绪进一步成熟，，未来开发者面临重大使命时，，或许不必先问「我需要设计几个 Agent、划分写什么 prompt」，，而可以先问：「这个问题需要哪些基础盘算模式，，它们应该怎样毗连？？？？」

从重复造轮子，，到复用基础？？？？；；
；；；从文本新闻驱动的牢靠团队，，到潜在状态毗连的动态系统，，这正是 Agent Primitives 希望推动的范式转变。。。。
。。

今日官方渠道转达重大研究效果ICML 2026 | 多智能系一切也能搭积木？？？？Agent Primitives让MAS走向？？？？榛从

本文事情由伊利诺伊大学厄巴纳 - 香槟分校（UIUC）DREAM Lab 团队完成。。。。
。。通讯作者 Haohan Wang 教授为 UIUC 信息科学学院教授、DREAM Lab 认真人，，研究偏向包括可信人工智能、大语言模子与多智能系一切。。。。
。。

论文问题：Agent Primitives: Reusable Latent Building Blocks for Multi-Agent Systems论文链接：https://arxiv.org/pdf/2602.03695实验室网址：https://dream.ischool.illinois.edu/

配景与念头

多智能系一切（Multi-Agent Systems，，MAS）展示了令人印象深刻的能力：一个模子认真提出方案，，另一个模子举行品评，，尚有模子肩负投票、妄想或执行。。。。
。。通过角色分工和多轮协作，，系统能够解决单个模子难以稳固完成的数学推理、代码天生和知识问答使命。。。。
。。

一个 MAS 的例子。。。。
。。出自我们 team 的 TMLR survey paper：Chen, K., Wang, P., Yu, Y., Zhan, X., & Wang, H. (2025). Large language model-based data science agent: A survey. arXiv preprint arXiv:2508.02744.

但这种能力背后，，保存一个容易被忽略的工程问题：今天的大大都 MAS 都是围绕详细使命手工搭建的。。。。
。。面临一个新问题，，研究者往往需要重新界说 Agent 角色、重新设计提醒词、重新划定新闻的转达顺序，，并一直调试协作协议。。。。
。；；
；；；灰桓鍪菁⒁桓瞿Ｗ樱踔烈桓鍪姑硎觯吹募芄咕涂赡苄枰蠓薷。。。。
。。

这与现代深度学习的生长路径形成了鲜明比照。。。。
。。构建卷积神经网络时，，我们不会为每一个视觉使命重新发明卷积；；
；；；搭建 Transformer 时，，也不需要重新设计注重力机制。。。。
。。成熟的神经网络之以是能够快速演进，，部分原因正是研究社区找到了卷积、注重力、残差毗连等可复用的基础构件。。。。
。。

那么，，多智能系一切是否也能拥有类似的笼统形式呢？？？？是否可以把重大的 Agent 事情流拆解成少量稳固、通用的盘算单位，，再像搭乐高一样，，将它们按需组合起来呢？？？？

Agent Primitives 给出的谜底是：多智能系一切也可以拥有自己的「基础？？？？椤。。。。
。。

从「复用 Agent」到「复用协作模式」

Agent Primitives 的出发点，，是重新审阅 MAS 中什么才是真正应该被复用的工具。。。。
。。古板要领通常把一个 Agent 看成原子单位：它拥有牢靠身份、牢靠提醒词，，并在系统中肩负一个预先划定的角色。。。。
。。但「数学专家」、「代码审查员」或「妄想者」这些角色，，自己往往与使命高度绑定，，很难直接迁徙。。。。
。。

论文视察到，，只管差别 MAS 的角色名称和流程看起来五花八门，，它们内部重复执行的盘算模式却高度相似：有的系统让模子天生谜底后举行自我审查；；
；；；有的系统并行天生多个候。。。。
。。偻ü狭扛婵⒐彩；；
；；；尚有的系统先把重大目的拆成妄想，，再逐步执行。。。。
。。

因此，，论文不再把 Agent 看成最小构件，，而是进一步向下拆解，，把这些重复泛起的内部盘算模式笼统为 Agent Primitives，，即面向大语言模子多智能系一切的、可复用的潜在构件。。。。
。。

基础的 Primitives

论文实例化了三类基础 primitive。。。。
。。它们并非试图穷尽所有协作方式，，而是从现有 MAS 中提炼出三种高频、互补的盘算结构。。。。
。。

Review Primitive：

把「天生 — 品评 — 修正」酿成通用循环

Review Primitive 对应的是多智能系一切中最常见的迭代刷新模式。。。。
。。模子先形成一个候选解答，，随后对其中的推理误差、事实过失或实现缺陷举行审查，，再依据反馈更新谜底。。。。
。。这个历程可以重复举行，，直到输出趋于稳固。。。。
。。

它的价值不但是增添一次「请检查谜底」的提醒。。。。
。。通过把审查与修正封装成自力 primitive，，系统可以在数学证实、代码调试、开放域问答等使命中复用统一种盘算结构，，而无需为每个使命重新设计一套 critic 和 refiner。。。。
。。

Voting & Selection Primitive：

在多个候选中形成共识

当一个问题保存多条合理推理路径时，，单次天生容易受到采样波动影响。。。。
。。Voting & Selection Primitive 让系统并行探索多个候。。。。
。。俣哉庑┣痹谔逑志傩薪狭俊⒕酆虾脱≡。。。。
。。

古板投票通常依赖最终文本谜底：先把每条推理完整解码，，再通过字符串匹配或特殊提醒举行选择。。。。
。。相比之下，，该 primitive 直接作用于内部潜在体现，，使系统能够保存候选方案中更富厚的语义和推理信息，，而不是只依据已经压缩成文本的效果做决议。。。。
。。

Planning & Execution Primitive：

将高层妄想与底层执行疏散

重大使命往往不是「想得更多」就能解决，，而是需要先确定做什么，，再决议怎样做。。。。
。。Planning & Execution Primitive 把高层使命剖析和低层方法执行拆开：妄想阶段建设整体蹊径，，执行阶段围绕子目的逐项完成，，并把中心状态继续转达。。。。
。。

这种疏散可以降低模子在长使命中同时维护全局目的与局部细节的肩负，，也让统一个妄想结构能够适配数学推导、程序编写与多阶段问答等差别问题。。。。
。。

绕过自然语言瓶颈

仅仅把事情流命名为 primitive，，还缺乏以解决现有 MAS 的基础局限。。。。
。。大大都多智能系一切通过自然语言交流信息：一个 Agent 把内部思索解码成文本，，另一个 Agent 再读取文本并重新编码。。。。
。。每经由一轮，，信息都要履历一次「潜在体现 — 文本 — 潜在体现」的转换。。。。
。。

这种方式直观、可读，，却也价钱高昂。。。。
。。文本解码会丧失内部体现中的细粒度信息；；
；；；长链路交互会一直积累噪声和误差；；
；；；重复天生与读取大宗文本，，则带来可观的 token 开销和推理延迟。。。。
。。系统中的 Agent 越多、协作轮数越长，，这种通讯瓶颈越显着。。。。
。。

Agent Primitives 让 primitive 内部直接通过 Key-Value Cache（KV Cache）举行潜在通讯。。。。
。。KV Cache 原本用于生涯 Transformer 已处理 token 的注重力状态，，阻止自回归天生时重复盘算。。。。
。。论文进一步把它作为 primitive 之间转达内部信息的载体，，使后续？？？？槟芄恢苯蛹绦靶蚺趟阈纬傻那痹谧刺槐叵冉渫暾饴胛匀挥镅。。。。
。。

在毗连差别阶段的 KV Cache 时，，系统还需要处理位置编码的一致性。。。。
。。论文通过旋转位置编码（RoPE）的重新编码与对齐，，使来自差别盘算阶段的缓存能够被后续？？？？樽既方有。。。。
。。由此，，多个 primitive 不但是看法上可以组合，，在模子内部的盘算状态层面也能够真正「插接」起来。。。。
。。

论文用实验证实晰使用自然语言处理时，，长上下文中的使命遗忘：在长上下文的开头、中心或最后注入一条辅助指令，，较量两种通讯方式能否在完成原始使命的同时保存新增约束。。。。
。。效果显示，，当指令位于上下文中心时，，自然语言通讯的指令遵照率骤降至 15.6%，，而 KV Cache 通讯仍抵达 73.3%。。。。
。。

论文进一步考察了通讯噪声对多智能体协作的影响。。。。
。。详细而言，，研究者在数学推理历史中逐步插入来自其他问题的无关推理句子，，以模拟 Agent 交互历程中一直累积的噪声。。。。
。。实验效果显示，，当插入 3 条无关句子时，，自然语言通讯的准确率已下降至 73%；；
；；；当噪声增添到 10 条时，，准确率进一步降至 47%。。。。
。。相比之下，，KV Cache 通讯在相同设置下仍能划分坚持 100% 和 93% 的准确率。。。。
。。

上述效果批注，，相较于自然语言通讯，，基于 KV Cache 的潜在通讯能够更完整地保存前序推理状态，，并显著降低无关信息在多阶段交互中的累积影响，，从而提升多智能系一切在噪声情形下的通讯稳固性与推理鲁棒性。。。。
。。

谁来决议怎样搭这些「积木」？？？？

有了可复用构件，，下一个问题是：面临一个新盘问，，系统应该选择哪种 primitive，，又应该以什么顺序组合？？？？若是仍然由人手工指定，，架构设计的肩负并没有真正消逝。。。。
。。

为此，，论文引入了一个自动化的 LLM Organizer。。。。
。。Organizer 首先剖析目今盘问的性子与难点，，再从 primitive 荟萃中选择合适的？？？？椴⒆橹葱辛鞒。。。。
。。例如，，需要验证和修正的使命可以挪用 Review；；
；；；保存多种候选路径的问题可以加入 Voting & Selection；；
；；；长程重大使命则更适合先使用 Planning & Execution，，再对局部效果举行审查。。。。
。。多个 primitive 也可以串联或嵌套，，形成更完整的 MAS。。。。
。。

Organizer 的决议由一个轻量级 Knowledge Pool 提供参考。。。。
。。Knowledge Pool 纪录已往使命中乐成的 primitive 设置，，让系统能够使用已有履历，，而不是针对每个新盘问从零最先搜索。。。。
。。随着乐成设置一直积累，，构建 MAS 逐渐从「手工设计一条牢靠事情流」，，转变为「凭证问题动态检索并组合基础构件」。。。。
。。

要领框图

完整框架如下图所示。。。。
。。Organizer 凭证用户盘问和 Knowledge Pool 中的历史履历选择并组合 primitives；；
；；；Review、Voting and Selection、Planning and Execution 划分封装三类可复用协作模式；；
；；；所有 primitive 的内部协调均通过 KV Cache 完成，，并对外保存与通俗 LLM Agent 一致的接口。。。。
。。

实验效果

论文在数学、代码和知识问答等八个基准、五种大语言模子主干上举行了系统评估。。。。
。。实验关注的不但是最终准确率，，也同时较量 token 使用、推理延迟、相对单智能体的特殊开销，，以及跨模子主干的稳固性。。。。
。。

从详细使命来看，，Primitives-based MAS 在数学推理、代码天生和知识问答上均取得了稳固提升，，并且没有泛起古板 MAS 要领在部分使命上提升、在另一些使命上显着退化的情形。。。。
。。更主要的是，，这种性能增益并不是依赖无限增添 Agent 数目或天生更长的交互文本获得的。。。。
。。综合准确率、token 消耗、推理延迟和跨模子体现，，可以将 Agent Primitives 的主要实验效果概括如下：

这些数字展现了一个主要事实：多智能体协作并不必定意味着数倍以致数十倍的推理本钱。。。。
。。古板 MAS 的高开销，，很大一部分来自重复文本天生和冗长通讯，，而不完全来自解决问题自己所需的有用盘算。。。。
。。当协作被重新组织为潜在空间中的？？？？榛趟愫螅低晨梢栽诒４嫘阅茉鲆娴耐保烟厥獗厩刂圃诟拷ブ悄芴逋评淼墓婺Ｄ。。。。
。。

走向可组合的智能系统

今天构建 MAS，，仍然很像早期编写神经网络：大宗能力被写死在详细架构中，，每个新使命都需要重新搭建。。。。
。。Agent Primitives 提出了一条差别的蹊径 —— 把角色背后的协作纪律抽离出来，，封装为潜在空间中的标准构件，，再由 Organizer 凭证使命动态组合。。。。
。。

若是这种思绪进一步成熟，，未来开发者面临重大使命时，，或许不必先问「我需要设计几个 Agent、划分写什么 prompt」，，而可以先问：「这个问题需要哪些基础盘算模式，，它们应该怎样毗连？？？？」

从重复造轮子，，到复用基础？？？？；；
；；；从文本新闻驱动的牢靠团队，，到潜在状态毗连的动态系统，，这正是 Agent Primitives 希望推动的范式转变。。。。
。。

别的，，以色列在非洲国家索马里的索马里兰地区设立据点，，作为以军战机可能远程航行袭击伊朗的中继基地。。。。
。。2025年12月，，以色列突然宣布认可索马里兰地区为“自力主权国家”，，成为联合国会员国中唯逐一个果真认可索马里兰的国家。。。。
。。这一事务连忙引发索马里以及多个国家和国际组织强烈阻挡和训斥。。。。
。。

凯时AG

霉霉大婚前夕前男友被拍与新女友接吻