首篇 AI Agent 协作收敛理论：块优化建模，六智能体提速一倍
KAUST 教授 Peter Richtárik 与 Ivan Ilin 于 10 月 22 日在 arXiv 发表论文《Local Work, Global Progress: A Convergence Theory of AI Agent Collaboration》，并连发多条推文介绍其核心思想与实验结果。这是首篇为 AI 智能体协作给出收敛性保证的理论工作，并证明了线性收敛。
已确认
- 论文将多智能体协作建模为块优化：每个 agent 拥有共享解的一个分块，在自己的局部目标上搜索，并加上一个修正项，用以衡量自己的改动对其他块的影响。
- 核心定理：多个 agent 并行私有搜索 H 步后，协调者在全局损失上验证各提议，并按依赖图「着色」合并不互相干扰的最优提议组，合并后的解保证不比原来差；预期收敛速率为 α=μ·q(H)/κ，修正误差决定下限。
- 实验设置：以 GPT-OSS-120B 作为 agent，在 16×16 网格上为 9 台机器人规划路线（3 个 agent 各管 3 台机器人，共 48 ticks，成本包含交付时间与每次碰撞）。
- 实验结果：加入修正项后 40 轮全部无碰撞；不加修正项时仅 2/20 轮次无碰撞。
- 六智能体搜索相比单智能体提速约一倍。
为什么重要
- 该工作为日益流行的多智能体 LLM 系统提供了首个收敛性理论框架，把「本地干活、全局进步」的直觉形式化为可证明的保证。
- 实验显示修正项对多智能体安全性（避免碰撞）至关重要，对设计可靠的多机器人、多智能体调度系统有直接参考价值。
2026-10-22 ~ 2026-10-22 · 6 条相关
一手来源
- 首篇 Agent 协作收敛理论：块优化建模，六智能体搜索提速一倍 — peter_richtarik ·
- 多智能体并行搜索新定理：预期收敛速率 α=μ·q(H)/κ，修正误差决定下限 — peter_richtarik ·
- GPT-OSS-120B 多智能体调度 9 台机器人：加修正 40 轮全部无碰撞，不加仅 2/20 — peter_richtarik ·
- 【源头】首篇 Agent 协作收敛理论：块优化建模，六智能体搜索提速一倍 — peter_richtarik · 2026-10-22
- Richtarik 提出多智能体分块并行优化：经验证合并保证解不变差 — peter_richtarik · 2026-10-22
- 【源头】多智能体并行搜索新定理：预期收敛速率 α=μ·q(H)/κ，修正误差决定下限 — peter_richtarik · 2026-10-22
- 【源头】GPT-OSS-120B 多智能体调度 9 台机器人：加修正 40 轮全部无碰撞，不加仅 2/20 — peter_richtarik · 2026-10-22
另有 2 条近重复转述:peter_richtarik · peter_richtarik