AgentRoom: Concurrent Multi-Agent Coding in a CRDT-Backed Shared Workspace
Seonglae Cho, Donghyun Lee
cs.AI, cs.SE
2026-08-25
在CRDT共享文件系统上加文件级认领和广播MCP工具，双Agent在匹配算力下把单Agent的1-file弃任务率从31%压到5%。并行合并比单Agent更差，质量峰值在N=2。
多 Agent 写代码的承诺是分模块、互为备份、并行探索。落地时大多数系统还是排队：设计、实现、审查，后一个等前一个。另一路是各自写完再并文件。单 Agent 面对难任务会交一份单文件骨架就退出，论文把这种失败叫做 1-file abandonment。CodeCRDT 试过用 CRDT 隐式协调，结果是双峰：21% 加速、39% 变慢。问题变成：在匹配算力下，显式协调能不能同时打过顺序流水线和「只共享、不说话」。
AgentRoom 是一间带状态的房间。底层是 pycrdt（Y.js 的 Yrs 移植）合并的共享文件系统，字符级冲突在 2 秒窗口内合并，外加括号配平检查。CRDT 保证字节不丢，不保证语义兼容：两个 Agent 在同一偏移写入互斥的函数签名，合并后两边都在，编译照样挂。
协调层通过 MCP 工具暴露：
认领是 Chubby 式劝告锁，约束写在提示层，不写进内核。有人没认领就写，字节仍被 CRDT 保住，违规会出现在房间日志里，方便同伴修 bug。提示里的六步流程是建议：读状态、认领、冲突就换文件、写、轮询、广播完成。
对照在匹配算力下铺开：Solo；Shared-only（共享 CRDT，无提示、无 MCP）；Parallel-merge（独立工作区事后按时间戳并文件）；ChatDev 式三阶段顺序流水线；Shared+协作提示但无 MCP。主任务是四套 Express.js/TypeScript 后端：JWT 认证、市场 API、复式记账账本、交易平台。质量分是 LLM-judge 四维加权（规格覆盖 0.35、正确性信号 0.30、代码质量 0.20、测试严谨 0.15），再用正则和 TypeScript AST 打分交叉验证。Agent 自己写 vitest，没有外部正确性套件。
弃任务是判定器打的二元标签，不经过质量分。12 个模型×任务层上，Solo 40/131（31%），AgentRoom 5/94（5%），CMH 公共优势比 13.7（95% CI [3.9, 48]，p < 10^{-5}）。T4 上 Haiku 从 12/35 降到 1/17，Codex 从 9/17 降到 2/21，Sonnet 从 6/33 降到 0/17。预算内非失败 run 的分数标准差大约收 30–45%：T4 Sonnet 0.23→0.14，Haiku 0.25→0.17，Codex 0.27→0.15。
T4 Sonnet、600 秒、LLM-judge 的六条件排序是单调的：
| 条件 | 均分 | n |
| ChatDev 三阶段顺序 | 0.333 | 6 |
| Parallel-merge | 0.456 | 12 |
| Solo | 0.544 | 32 |
| Shared-only | 0.575 | 11 |
| 共享+提示、无 MCP | 0.588 | 7 |
| AgentRoom | 0.669 | 14 |
AgentRoom 比 Parallel-merge 高 0.213（Welch p=0.003）。无协调的双 Agent 会互相覆盖 server.ts，比单 Agent 更差。Agent 数在 T4 Sonnet 上 2 个最好：0.544 / 0.669 / 0.553 / 0.489 对应 N=1/2/3/4，广播量过了 3 个开始超线性涨。两个 Haiku 均分 0.662，一个 Sonnet 0.544，美元成本大约一半。Rust+axum 和 Python DevBench 方向一致，样本很小。
扛结果的是显式协调（文件认领 + 广播），不是多开几个 Agent，也不是 CRDT 本身。只共享文件夹而不认领，质量停在 Solo 和完整 AgentRoom 之间。N=2 是这套设置的工作点，N=3 和 N=4 线性加钱、均分往下走。Cursor、Claude Code Agent Teams、JetBrains Multi-Agent 已经在产品里做文件认领；这篇给出匹配算力下把协调层从并行和合并底座里拆出来的数字。
质量分不是执行神谕。主结果绑在 Express.js/TypeScript 上。
单格 n 大约 7–35，Gemini 只有 5+5。ChatDev 对照在丢掉 7 次编排器崩溃后只剩 6 次真实 run。MCP-chat 对 CRDT-state 的对照是 2 对 7。拆开 CRDT 和 MCP 的探测在 n=7 时区间穿过零，只能报排序，不能报百分比贡献。任务没有外部测试套件，vitest 由 Agent 自己写。Rust 和 Python 是机制可迁移的点测，不是跨运行时幅度。托管模型无法逐比特复现。GPT-5.4-mini 在并发 MCP 下崩溃，被排除在所有格子之外。