这项由卡内基梅隆大学、中国科学技术大学、新加坡国立大学和上海人工智能实验室联合开展的研究，以预印本形式于2026年5月发布在arXiv平台，编号为arXiv:2605.09539。感兴趣的读者可通过该编号查阅完整论文。

一、当AI也需要"团队协作"

你有没有遇到过这样的情况：一个人搞不定的事情，找来几个专业人士组成团队，效果就好多了？程序出了bug，一个人又写代码又查文档又测试，很容易顾此失彼；但如果一个人负责写代码，另一个人专门查资料，还有一个人专门测试，整体效率就大幅提升。大型语言模型（就是ChatGPT这类AI）在解决复杂问题时，面临的正是同样的困境。

于是，研究人员想出了"多智能体系统"——不是一个AI独自工作，而是让多个AI分工合作，每个AI承担不同角色，比如规划者、搜索者、核查者等等。这就像一家公司不同部门的分工协作。

然而，这种团队协作也面临一个现实问题：团队的组织架构和每个成员的能力，到底应该由谁来决定，又应该在什么时候调整？过去的做法要么是提前设计好团队架构然后固定下来，要么只在解题过程中调整某一方面。这篇论文提出的TacoMAS系统，则走出了一条新路：让AI团队的架构和每位成员的能力，在解决每一道题的过程中同时动态演化——而且两者的演化节奏是不一样的，一快一慢，相互配合。

二、固定架构的局限：一套西装穿不了所有场合

先来聊聊现有方法的问题在哪里。

过去的多智能体研究大致分为两类。第一类是"训练时优化"：研究人员在大量任务上反复试验，找出一套最优的团队架构，然后把这套架构固定下来，之后所有的新任务都用同一套架构来解决。这就像一家公司把部门设置和人员配置写进规章制度，之后不管接什么业务都用同一套组织架构。当新业务和当初设计架构时的业务类型差异很大时，固定的架构就会显得格格不入，处处掣肘。

第二类方法稍微灵活一些，会针对每道题单独生成一套团队架构，但一旦生成就不再改变，整个解题过程中架构保持不动。这就像每次接新项目前先开个会商量好分工，然后整个项目执行过程中再也不调整，哪怕中途发现分工有问题也不管。

更接近理想状态的是"解题过程中实时调整"的方法，但现有的此类方法只盯着一个维度：要么只调整团队架构（谁和谁通信、谁负责什么），要么只提升每个成员的个人能力，两者无法同步演化。

研究团队通过大量实验和理论推导发现，只调一个维度往往是不够的。架构和能力之间有深度耦合：一个成员能力提升了，但如果和他协作的成员没有相应变化，信息流通的通道没有跟上，这种局部提升可能无法转化为团队整体表现的提升，甚至会带来混乱。这就像一个部门的某位员工突然变得极为高效，但其他部门的接口没有调整，大量工作就会堵在这个人手里而无法顺畅流动。

三、快慢两个节拍：为什么不能同时调整所有东西

研究团队在设计TacoMAS时发现了一个反直觉但又合乎逻辑的关键原则：架构和能力不能按同样的节奏更新，必须一快一慢。

可以用一支乐队的排练来理解这件事。乐队在演奏过程中，每位乐手可以随时微调自己的演奏技巧和对曲子的理解（这对应"能力快速更新"）。但整个乐队的编制——谁负责主旋律、谁负责和弦、要不要加一个吉他手——不可能每隔几分钟就重新决定一次，这需要在一个相对稳定的时间窗口内观察整体效果之后，才做出有依据的调整（这对应"架构慢速更新"）。

如果乐手还在调整自己的演奏方式，同时乐队编制也在频繁变动，整个乐队就会陷入混乱——每个人都不知道该配合谁、用什么风格演奏。TacoMAS中的研究者把这个道理用数学语言表达出来，并通过实验验证：当架构更新频率和能力更新频率相同时，系统性能明显下降，产生不稳定性；而当架构更新比能力更新慢得多时，两者才能形成良性配合，系统收敛到更好的状态。

这个"快慢分离"的设计思想，在生物学和经济学领域其实早有类似的理论依据。研究团队借鉴了进化博弈论中的相关概念：快节拍的能力更新对应生物进化中的"选择压力"——表现好的行为模式被强化，表现差的被淘汰；慢节拍的架构更新则像物种的"变异"——在现有策略达到局部最优之后，通过结构性变化跳出瓶颈。两种机制的结合，让系统有机会找到更好的全局解。

四、TacoMAS的设计：一支能自我重组的AI球队

在理解了"快慢双循环"的核心原则之后，来看看TacoMAS具体是怎么运作的。

整个系统把多智能体团队表示为一张"图"——每个AI成员是图上的一个节点，节点之间的连线（边）代表它们之间的通信关系，某个成员的输出可以传递给哪些成员由这些连线决定。与此同时，每个节点上还存储着该成员的"能力状态"：它的角色职责、记忆中积累的经验、可以使用的工具等等。

系统的运行由一个"元LLM"（可以理解为团队的总教练）来主导。总教练在最开始根据任务特点初始化一支5人团队，包括规划者、搜索者、计算者、核查者和反思者，并设定初始的通信连线。

接下来，每一轮解题都会触发快速的能力更新。每个成员执行自己的任务之后，会产生一份执行记录——用了哪些工具、得出了什么结论、向其他成员传递了什么信息。一个"元裁判"会评估每位成员这一轮的贡献程度，给出一个0到1之间的分数。然后，总教练根据这份贡献评分和每位成员的执行记录，为每位成员生成具体的改进建议：你这轮犯了什么错误、下一轮应该怎么调整思路、应该关注哪些遗漏的信息点。这些建议会被写入成员的"记忆"，成为下一轮执行时的行为指导。分数高的成员，其行为模式被进一步强化；分数低的成员，被推动做出调整。这个过程在每一轮都发生，反应非常及时，就像足球比赛中教练在场边不断向球员喊话，让每个人随时微调自己的打法。

而架构更新的发生频率要低得多，每隔K轮才触发一次（论文默认设置K=2）。当触发慢更新时，总教练会回顾过去几轮的完整执行轨迹，对团队架构做出结构性调整，包括三类操作：第一，修改通信连线，比如让搜索者直接把结果传给核查者，而不是绕道经过规划者；第二，引入新成员，当系统发现某类任务没有合适的角色覆盖时，可以"诞生"一个新的专职成员；第三，移除表现持续低迷的成员，释放资源。为了防止一次架构调整幅度过大引发混乱，系统设置了硬性限制：每次慢更新最多增删2个成员，最多修改4条通信连线。这个约束确保架构变化是渐进的，不会把之前通过快速能力更新积累的进步一次性抹掉。

五、数学支撑：为什么这样设计是有理论保证的

研究团队不满足于仅仅说"实验效果好"，还给出了一套严谨的数学证明，说明为什么TacoMAS的快慢双循环设计会收敛到稳定的高性能状态，而不是越跑越乱。

核心的数学工具来自进化博弈论中的"复制动力学"。可以把每个AI成员的能力状态理解为一种"策略"，贡献分数理解为这种策略的"适应度"。快速能力更新的数学形式就是标准的复制动力学方程：适应度高于团队平均水平的策略被放大，适应度低于平均水平的策略被抑制。在固定的团队架构下，这个过程会单调地提升团队的平均表现，就像自然选择会让种群越来越适应当前环境一样。

但关键在于，仅靠复制动力学，团队只能在当前架构下找到局部最优点——当每个成员的策略都已经适应了当前通信结构时，整体表现会停滞不前，即使这个停滞点并不是全局最优。慢速架构更新充当了跳出局部最优的"突变"机制：通过改变通信图，整个系统的"适应度地形"发生改变，原来的局部最优点不再是新地形下的最优点，快速能力更新就会再次启动，将系统推向新的更高点。

研究团队将快慢双循环合并为一个"复制-突变系统"，并证明了一个关键定理：在适当的假设条件下（主要是慢更新的方向是有利的，以及贡献评分的噪声有界），整个系统的"距离最优配置的远近"会以几何级数收缩，最终稳定在一个由噪声决定的邻域内。这用大白话说就是：系统不会越跑越差，而是有保证地越来越好，直到受随机扰动限制而停在一个相当不错的地方。

六、实验结果：和20个竞争对手的较量

研究团队在四个覆盖不同任务类型的测试集上评估了TacoMAS，分别是：金融分析任务（需要从SEC监管文件中检索并分析大量数字）、网页搜索任务（需要在大量网页中进行多跳推理找到答案）、《我的世界》风格的合成规划任务（判断给定材料能否合成目标物品）、以及职场任务执行（模拟真实办公室场景中的多工具协作任务）。这四类任务分别考验检索能力、推理能力、规划能力和工具协作能力，覆盖面相当广。

TacoMAS在所有四个测试集上均取得了最高分，超过了20个对比方法。最具可比性的是其他同样在解题过程中进行动态调整的方法：只调整通信架构的SelfOrg和ChatDev-Puppeteer，以及只更新成员能力的CORAL。TacoMAS相比这三个方法的提升幅度分别相当显著。而相比所有20个方法中表现最强的那个，TacoMAS平均提升了13.3个百分点。具体来看，在金融分析任务上的准确率从0.539提升到0.767，提升幅度高达22.8个百分点；在职场任务上从0.651提升到0.824，提升了17.3个百分点；在《我的世界》规划任务上从0.812提升到0.887，提升了7.5个百分点；在网页搜索任务上从0.688提升到0.745，提升了5.7个百分点。

七、细节分析：架构真的在演化吗

除了整体指标之外，研究团队还通过几组分析来揭示TacoMAS内部发生了什么。

通过追踪具体案例中团队架构的变化轨迹，可以清楚看到系统在做真实有意义的调整，而不只是随机改变。以金融分析任务为例，初始的5人团队经过三轮慢更新之后，删除了用处不大的"链接研究"角色，引入了专门的"数据研究"角色，并重新组织了搜索者和核查者之间的信息传递路径，最终形成了一条搜索—研究—核查的专业流水线，专门针对这道题所需的从SEC文件中提取数字这一核心需求。

快慢节奏的比例对性能影响很大。当架构和能力按同样的节奏更新时（K=1），性能明显下降，且轨迹不稳定；当架构完全冻结时，能力更新的收益也会很快见顶。只有在K=2的默认设置下，两者才达到最佳配合。

系统还表现出自适应的计算分配特性。在金融任务中，研究团队根据"专家预计所需时间"将题目分为简单题和困难题。系统对简单题平均只触发1次慢更新就停下来了，而对困难题平均需要8次慢更新。关键在于，系统本身从未看过这个"专家时间"标签，这说明它完全靠自己的执行轨迹反馈来判断当前题目的难度，并据此分配演化资源，而不是无差别地对所有题目都跑满10轮。这种自适应性让TacoMAS的额外计算成本花得物有所值。

与之形成对比的是，SelfOrg虽然也需要大量LLM调用，但随着调用次数增加，性能很快遇到平台期，再多的计算也没有明显收益。TacoMAS则不同，随着演化轮数增加，性能持续提升，表现出真正的"推理时算力扩展"特性——投入更多计算，就能得到更好的结果。

此外，团队规模的设置也有讲究。初始团队过小时，角色多样性不够，遇到需要多类专业知识的任务时捉襟见肘；初始团队过大时，协调成本上升，每次有限的架构编辑能产生的效果也被稀释，整体性能反而下降。5个人的初始规模在多数任务上是一个较好的平衡点。

不同底层模型的效果验证显示，无论把Gemini 2.5 Flash-Lite换成Claude Haiku-3.5还是GPT-4o mini作为成员LLM，TacoMAS演化后的性能相对演化前的提升都保持一致。换元LLM（总教练用的模型）的测试同样如此。这说明性能提升主要来自协同演化的机制本身，而不是依赖特定模型的特殊能力。

八、这套框架的局限与未来方向

研究团队对TacoMAS的局限性也持坦诚态度。当前的设计依赖单个元LLM总教练观察全部执行轨迹并做出所有决策。当任务非常复杂、天然分解为多个相互独立的子任务时，单个总教练需要消化的信息量可能过大，容易遗漏局部的协调问题。一个自然的扩展方向是引入层级化的总教练结构，每个子任务集群由局部教练负责，再由更高层的总教练协调各局部教练的提案。

另一个局限是，每道题解完之后，系统会清空工作记忆，下一道题从零开始演化。这避免了题目间互相污染，但也意味着系统无法积累可复用的结构性经验。比如，系统可能在不同题目上反复发现"核查者需要直接连接到搜索者"这一有用的通信模式，却每次都重新发现，而不是把这个经验记录下来供后续题目复用。如何在跨题记忆复用和防止信息污染之间取得平衡，是一个值得深入探索的方向。

说到底，这篇论文做的事情，是把人类团队中早已存在的管理智慧——成员技能要随时优化，但组织架构的调整要慎重且有节奏——迁移到了AI多智能体系统的设计当中，并给了它严格的数学保证和充分的实验验证。这对思考如何让AI系统在面对未知的新问题时保持稳定而又灵活的能力，提供了一个有实际参考价值的框架。

当然，TacoMAS并不是终点。它揭示了一个更广泛的问题：在AI解决问题的过程中，"花时间想怎么组织团队"本身就是解题的一部分，而不是可以一次性固定下来的前期工作。这个认识本身，或许比任何具体的性能数字都更值得细细品味。

Q&A

Q1：TacoMAS中的"快慢双循环"是指什么？

A：TacoMAS中的快循环是指每一轮解题后立即更新每个AI成员的能力，比如给它补充经验、调整行为策略；慢循环是指每隔若干轮才触发一次，对整个团队的架构进行调整，比如增减成员或改变谁和谁通信。两者节奏不同，快的保证每个成员随时在学习，慢的保证整体架构在稳定的基础上有序演化，防止频繁的结构变化破坏已有的协作成果。

Q2：多智能体系统中只更新架构或只更新能力为什么不够？

A：只更新架构而不更新成员能力，成员的实际执行水平跟不上新架构的需求，协作效果有限；只更新成员能力而架构固定，成员能力的提升可能因为通信路径不合理而无法传递到整个团队，最终遇到天花板。TacoMAS的实验和理论分析都表明，两者必须协同演化才能释放多智能体系统的完整潜力，且同步演化时两者的节奏必须错开，一快一慢。

Q3：TacoMAS相比其他多智能体方法在实验中表现如何？

A：TacoMAS在金融分析、网页搜索、规划和职场任务四个测试集上均排名第一，相比所有20个对比方法中最强的那个平均提升了13.3个百分点。在金融任务上提升幅度最大，达到22.8个百分点，在职场任务上提升了17.3个百分点。