多智慧體系統三種架構模式與只在生產暴露的失敗模式
一篇工程實踐文章總結了多智慧體系統的三種架構模式：orchestrator-worker 由編排者拆解任務並彙總工作者結果，blackboard 讓多個 agent 讀寫共享狀態，pipeline 按固定順序串聯專職 agent。作者給出的選擇標準是：拆解能提前寫成清單就用 pipeline，拆解方式已知但細節取決於輸入就用 orchestrator-worker，解法路徑要等 agent 探索後才明確才用 blackboard。
給出三種多智慧體模式的具體選擇標準，並點名只在真實輸入下出現的無限委派迴圈與成本失控，適合把單 agent demo 推向生產系統的開發者。
原標題：Building a Multi-Agent System from Scratch: Architecture Patterns
閱讀原文
| 評分 | 68 / 66（平均 67，門檻 76） |
|---|---|
| 狀態 | 未入選 |
相關報導
研究質疑自主 MLE agent 是否需要複雜編排框架
一項研究指出，近期自主機器學習工程（MLE）agent 普遍依賴多 agent 編排器、專用檢索子 agent 等複雜框架，但更簡單、僅靠 read、write、bash 原語直接訪問執行環境的 coding agent 路線卻少有人研究。該工作正是要回答：強 agent 做自主 MLE 究竟需要多少這類外圍框架。
上百個 AI agent 在 Minecraft 測試協作，陷官僚內耗、未建成文明
ycombinator 與 Olam Labs 的研究者把上百個 AI agent 放進 Minecraft 及其多種模式，讓它們協作或互相對抗，結果這群 agent 沒能建成「文明」，反而陷進官僚內耗。實驗基於 Mindcraft 與 Mineflayer 指令碼工具搭建，意在為近期多 agent 案例提供參照：一邊是千級 agent 群體解決數百個開放數學問題，一邊是被稱「極其危險」的 OpenAI-Hugging Face 事件。
Latent Space 專訪 MIT Alex Zhang：談 RLM 與 agent 叢集
Latent Space 播客本期嘉賓為 MIT 的 Alex Zhang，他是 Recursive Language Models（RLM）的作者，也是 GPU Mode 社群成員。
FlowMAS 用 GFlowNet 自動學習多智慧體架構，被 NeurIPS 2026 錄用
廈門大學 ASC 實驗室的 FlowMAS 被 NeurIPS 2026 錄用：它用生成流網路（GFlowNet）把多智慧體工作流拓撲的設計變成可學習的生成問題，讓 AI 自動學出團隊的排兵佈陣。方法引入好奇心驅動與資訊引導兩個模組，在搭建每一步給中間結構發過程性獎勵，後者用資訊理論衡量多路 AI 輸出的協同與冗餘。在 6 個基準、3 種模型底座上，它比手工設計平均高 8.17 分、比自動化方法高 6.12 分；
AI 多寫程式碼，工程師仍需負責系統決策與驗證
文章認為，agent 可以承擔更多實現工作並輔助分析、設計和測試，但工程師仍要決定建置什麼、以及什麼證據足以驗收。作者建議把架構決策寫入可審查的 PROJECT_GUIDE.md，而不是隻留在對話裡；每個增量先明確驗收用例，再用本地檢查、測試和實際執行驗證。文中還引用 Anthropic 關於長時執行 agent 的報告，指出上下文壓縮可能丟失條件或留下不清楚的指令。