RecursiveMAS：让 Agent 在隐空间静默协作，Token 消耗砍掉 75%

如果你观察过现在的多智能体系统跑任务，会发现它特别像几个磨叽的打工人拉了个工作群。规划 Agent 写一大段字发出来，批评 Agent 读一遍、再敲一大段文字打回去，求解 Agent 接手时，上下文已经塞满了废话。不仅跑得慢，你的 API 账单也在飞速缩水。

研究团队提出了一套名为 RecursiveMAS 的递归式多智能体系统，试图把这套低效的群聊彻底推翻。核心逻辑说白了很简单：别让 Agent 说人话了，直接让它们在潜在空间里用意念交流。

给智能体拉一条脑电波专线

传统的 Agent 协作最耗时的地方，在于每一步都要把模型的内部表征解码成自然语言文本，下一个 Agent 拿到文本后再重新编码进隐空间。整个过程一直在文本和向量之间来回折腾。

RecursiveMAS 则是把多智能体系统变成了一个统一的隐空间递归计算闭环。团队设计了一个轻量级的 RecursiveLink 模块，让异构 Agent 之间直接传递潜在思维状态。

你可以把它想象成几个专家坐在一起闭目思考，大家共享脑电波，互相推敲补充。无论是规划、批评还是求解，轮次都在静默中循环流转，直到得出最终答案那一刻，系统才会真正开口吐出一段文字。

越思考越明白，Token 还省掉 75%

静默思考带来的直接好处，就是快和省。根据论文在数学、科学、医学、搜索和代码生成等 9 项基准测试上的评估，RecursiveMAS 相比传统方案实现了 1.2 到 2.4 倍的端到端推理加速，Token 使用量一口气砍掉了 34.6% 到 75.6%，平均准确率还反超了 8.3%。

更有意思的是它的自愈能力。在测试一道数学题时，系统在第一轮给出的其实是错误结果，但到了第二轮潜在循环，它就完成了自我修正，第三轮甚至把逻辑推演得更通透。

传统的基于文本传递的 Agent，往往对话轮次越多越容易迷路，甚至出现上下文漂移和性能衰减。而 RecursiveMAS 展现出了类似单模型隐空间递归的扩展特性：循环轮次越多，推理质量反而越来越扎实。目前团队已经把代码和数据挂到了网上。

为什么重要

我们认为，RecursiveMAS 踩中了当前 Agent 架构最尴尬的一个痛点：自然语言根本不是机器之间协作的最优载体。

人类需要语言是因为我们无法共享神经信号，但强制两个神经网络用英语或中文对话，纯粹是强行施加的带宽瓶颈。这一步跳过文本序列化，既保住了多角色分工的模块化优势，又压榨出了端到端计算的极致效率，对想要落地复杂 Agent 工作流的开发者来说非常划算。

从行业竞争来看，AI 的扩展方式正在从单纯堆参数、喂数据，快速转向推理阶段的计算扩展。让多个轻量 Agent 在潜空间里循环思考，不仅成本极低，还可能在垂类场景里越级挑战参数大得多的巨无霸模型。

不过隐空间协作也埋了一个天然隐患：可解释性彻底丢了。以往 Agent 群聊出错，工程师还能翻看中间对话日志抓内鬼；换成全隐式的脑电波交互，中间过程完全变成了一个不可见的黑盒。一旦模型在里面产生隐秘的错误逻辑，排查和对齐的难度会陡增。这是它走向真正严肃生产环境前必须补上的一课。