Multi-Agent

Sakana AI 与 UC Berkeley 提出 RHI（递归式框架自改进）：把多智能体框架当作提示词级对象，仅用当前与上一版本的自我比较来迭代优化，少数几轮就能让低推理强度的 Agent 超越同族最高推理强度设置，同时把推理成本降低最高 60%。本文从 Harness 是什么、模型-框架协同进化讲起，拆解 RHI 的轨迹局部目标、算法流程、信息论隐式目标，并提炼可推广的通用性灵感。

工具智能体领域综述。LLM_Agents 桶 1001 篇扣除记忆子领域后按 13 主题分桶精读，提炼工具量质失衡、agent RL 信用分配、长程可靠性与上下文管理、过程级评测、工具环境不可靠、多智能体幻觉优势、治理权限可审计性等 7 大共识问题，并识别 strained coherence、agentic abstention、world-model collapse 等原创问题。

整理自机器之心AI技术活动的圆桌对话。嘉宾包括中国人民大学张少林、清华大学李佳、西湖大学张弛、华为诺亚方舟实验室Agent专家开国。四位嘉宾围绕"Agent是否出现了新范式"展开讨论，梳理了从Prompt→Context→Harness→Loop的概念演进逻辑——这并非范式革命，而是模型能力与任务复杂度之间"不对等关系"持续再平衡的结果。讨论还深入了Agent核心工作单元的变化、多Agent通信从语言走向潜空间的学术前沿及其黑箱化风险、自进化Agent的火与限界，以及Loop模式下验证困难度急剧上升的现实挑战——尤其是在代码生产场景中，AI凌晨提交万行commit时人类是否敢于直接合入的核心困境。