RecursiveMAS：讓 Agent 在隱空間靜默協作，Token 消耗砍掉 75%

如果你觀察過現在的多智慧體系統跑任務，會發現它特別像幾個磨嘰的打工人拉了個工作群。規劃 Agent 寫一大段字發出來，批評 Agent 讀一遍、再敲一大段文字打回去，求解 Agent 接手時，上下文已經塞滿了廢話。不僅跑得慢，你的 API 賬單也在飛速縮水。

研究團隊提出了一套名為 RecursiveMAS 的遞迴式多智慧體系統，試圖把這套低效的群聊徹底推翻。核心邏輯說白了很簡單：別讓 Agent 說人話了，直接讓它們在潛在空間裡用意念交流。

給智慧體拉一條腦電波專線

傳統的 Agent 協作最耗時的地方，在於每一步都要把模型的內部表徵解碼成自然語言文本，下一個 Agent 拿到文本後再重新編碼進隱空間。整個過程一直在文本和向量之間來回折騰。

RecursiveMAS 則是把多智慧體系統變成了一個統一的隱空間遞迴計算閉環。團隊設計了一個輕量級的 RecursiveLink 模組，讓異構 Agent 之間直接傳遞潛在思維狀態。

你可以把它想像成幾個專家坐在一起閉目思考，大家共享腦電波，互相推敲補充。無論是規劃、批評還是求解，輪次都在靜默中迴圈流轉，直到得出最終答案那一刻，系統才會真正開口吐出一段文字。

越思考越明白，Token 還省掉 75%

靜默思考帶來的直接好處，就是快和省。根據論文在數學、科學、醫學、搜尋和程式碼生成等 9 項基準測試上的評估，RecursiveMAS 相比傳統方案實現了 1.2 到 2.4 倍的端到端推理加速，Token 使用量一口氣砍掉了 34.6% 到 75.6%，平均準確率還反超了 8.3%。

更有意思的是它的自愈能力。在測試一道數學題時，系統在第一輪給出的其實是錯誤結果，但到了第二輪潛在迴圈，它就完成了自我修正，第三輪甚至把邏輯推演得更通透。

傳統的基於文本傳遞的 Agent，往往對話輪次越多越容易迷路，甚至出現上下文漂移和效能衰減。而 RecursiveMAS 展現出了類似單模型隱空間遞迴的擴充套件特性：迴圈輪次越多，推理質量反而越來越紮實。目前團隊已經把程式碼和資料掛到了網上。

為什麼重要

我們認為，RecursiveMAS 踩中了當前 Agent 架構最尷尬的一個痛點：自然語言根本不是機器之間協作的最優載體。

人類需要語言是因為我們無法共享神經訊號，但強制兩個神經網路用英語或中文對話，純粹是強行施加的頻寬瓶頸。這一步跳過文本序列化，既保住了多角色分工的模組化優勢，又壓榨出了端到端計算的極致效率，對想要落地複雜 Agent 工作流的開發者來說非常划算。

從行業競爭來看，AI 的擴充套件方式正在從單純堆引數、喂資料，快速轉向推理階段的計算擴充套件。讓多個輕量 Agent 在潛空間裡迴圈思考，不僅成本極低，還可能在垂類場景裡越級挑戰引數大得多的巨無霸模型。

不過隱空間協作也埋了一個天然隱患：可解釋性徹底丟了。以往 Agent 群聊出錯，工程師還能翻看中間對話日誌抓內鬼；換成全隱式的腦電波互動，中間過程完全變成了一個不可見的黑盒。一旦模型在裡面產生隱秘的錯誤邏輯，排查和對齊的難度會陡增。這是它走向真正嚴肅生產環境前必須補上的一課。