# 多智能体的所有文章

在 HTX 新闻中心浏览与「多智能体」相关的最新资讯与深度分析。潘盖市场趋势、项目动态、技术进展及监管政策，提供权威的加密行业洞察。

Opus 5游戏提示词爆火，24小时复刻3A巨作

最近，一个名为“挑战循环”的Opus 5游戏提示词在社交媒体上爆火。该提示词的核心是利用多智能体协作与严格的质量审核机制，驱动AI在极短时间内开发游戏原型。 其运作逻辑是：一个主智能体将开发任务分解，分配给多个子智能体执行，同时引入一个独立的“评委”智能体进行质量监督。该评委会将AI生成的内容与真实的3A游戏（如《使命召唤》、《星空》）进行并排对比，若质量不达标，则要求返工迭代，直至满足要求。 效果显著：网友Anshu运用此方法，仅用24小时就从零开发出了一款名为《The Long Silence》的太空探索游戏，其视觉效果向3A大作看齐。原作者Matt Shumer也用它快速生成了《使命召唤》风格的游戏原型，且所有贴图、动画、声音均由AI生成，未使用外部素材。 具体流程通常分为几步：首先给出基础游戏目标；然后设定一个长时间（如24小时）的持续优化目标，由多智能体并行工作提升视觉质量；最后开发者进行手动微调、代码清理和部署。Opus 5在此过程中甚至自行创建了一套包含17项校验流程的自动化验收工具。 此方法迅速引发社区模仿，网友们用它成功开发出了卡丁车游戏、“Claudepunk 2077”等多种类型的游戏原型。即使在GPT-5.6 Sol等其他大模型上尝试，效果也相当不错。这印证了Opus 5在长程、多步骤任务中自我检查与迭代的能力。“挑战循环”提示词本质上是为模型的这种能力套上了一个更严格的校正与驱动机制。

marsbit07/29 08:46

Opus 5游戏提示词爆火，24小时复刻3A巨作

marsbit07/29 08:46

日本AI黑马杀出：7B小模型如何叫板Fable与Mythos？

2026年6月，日本Sakana AI发布了新模型Fugu，其核心是一个仅7B参数的小模型RL Conductor。Fugu的创新在于其“多智能体编排”架构：RL Conductor不直接生成答案，而是作为“包工头”，动态分析用户任务，并调度如GPT-5、Claude等全球顶尖大模型来协同处理子任务，最后整合验证结果。 在SWE-Bench Pro和TerminalBench等严苛的工程基准测试中，Fugu Ultra版本取得了高分，宣称性能比肩甚至超越了GPT-5.5、Claude Opus等模型。在真实场景测试中，Fugu在代码审查、长会话稳定性以及复杂安全任务中表现出色，这得益于其多模型“专家会诊”模式，并能有效减少无效Token消耗。 然而，该架构也存在软肋：其高度依赖外部大模型API，存在底层供应商涨价、限流等风险；多次API调用可能增加延迟；同时，其与部分顶级模型的性能对比因非同池实测而存在争议。 Fugu的诞生体现了日本在算力与数据资源相对受限下的“非对称突围”策略。它不追求训练千亿参数巨兽，而是通过系统级创新，以一个小型智能调度器灵活利用全球最优模型，为资源有限地区发展AI提供了新思路。不过，其能力上限仍受制于底层模型，长期发展仍需底层技术投入。

marsbit06/22 11:17

日本AI黑马杀出：7B小模型如何叫板Fable与Mythos？

marsbit06/22 11:17

AGI不是终点，DeepMind新论文：迈向ASI，真正的AI进步才刚开始

DeepMind团队最新研究报告提出，通用人工智能（AGI）很可能不是AI发展的终点。AI将继续超越人类水平，走向超级人工智能（ASI）。报告区分了AGI（达到人类中位认知水平）、ASI（在所有重要领域整体超越人类专家集体）和UAI（理论智能上界）三个概念，并探讨了从AGI迈向ASI的四条潜在路径：持续扩展计算、模型与数据规模；算法持续演化乃至范式转变；系统通过递归自我改进形成正反馈；以及通过多智能体协作形成超越单体的集体智能。 报告同时指出了发展过程中可能面临的六大关键瓶颈：高质量人类数据可能面临枯竭的“数据墙”；能源、芯片等经济和自然资源压力；现有神经网络范式在持续学习、稳定推理等方面的根本性局限；研究难度随领域成熟而增加；AI可能难以自主提炼新概念原语的“抽象壁垒”；以及监管、治理与社会反弹带来的影响。 报告最后强调，一旦AI能力超越人类，现有以人类水平为参照的评估体系将失效，需要建立面向后AGI时代的新评估机制。ASI的发展仍受物理规律、资源等现实约束，其具体路径与速度存在高度不确定性，未来需持续开展跨学科研究以应对这一前景。

marsbit06/16 12:02

AGI不是终点，DeepMind新论文：迈向ASI，真正的AI进步才刚开始

marsbit06/16 12:02

苹果渴求的端侧AI杀出黑马：首个认知模型诞生，4B打平GPT-5.4

在WWDC苹果展示端侧AI趋势之际，中国公司明日新程发布了行业首个端侧认知模型“新程Alpha”。该模型仅4B参数，通过将知识剥离、强化认知核心，在群体智能任务中实现了与GPT-5.4等千亿参数模型相当的效果，且支持在MacBook等设备上端侧部署。 这一成果验证了Andrej Karpathy此前提出的“认知核心”方向，旨在解决大模型因算力和Token成本高昂而难以大规模落地的问题。新程Alpha通过独特的强化学习训练，提升了模型的泛化与抽象思考能力。其意义在于：提升多智能体决策质量、大幅降低云端与端侧部署成本，并为主动式智能体应用提供了经济可行的基础，有望推动AI产品从响应式向主动式演进。 明日新程团队源自微软小冰，曾以3.6B模型击败更大参数模型。当前，其聚焦的群体多智能体赛道已获资本关注。随着认知模型将成本结构重构，AI产品的商业模式与形态或将迎来深刻变革。

marsbit06/09 12:03

苹果渴求的端侧AI杀出黑马：首个认知模型诞生，4B打平GPT-5.4

marsbit06/09 12:03

TaiJi 完成 350 万美元战略融资，Castrum Capital、Becker Ventures 与 Coinvestor Ventures 参与投资

项目TaiJi近日宣布完成350万美元战略融资，投资方包括Castrum Capital、Becker Ventures和Coinvestor Ventures。本轮资金将主要用于产品研发、AI推演引擎升级、多Agent分析系统建设、市场数据基础设施完善、全球社区拓展及生态合作。 TaiJi致力于在BSC生态上构建一个AI驱动的链上市场智能网络。随着Web3市场进入更复杂、事件驱动的新阶段，平台旨在整合市场行情、链上资金、流动性变化、社媒情绪及项目动态等多维数据，并通过多Agent协同分析框架（如市场Agent、链上Agent、情绪Agent等），将碎片化信息转化为结构化的事件推演、影响路径、风险判断和观察指标，帮助用户更全面地理解市场。 其第一阶段产品核心模块包括：实时市场情报聚合（Market Intelligence）、基于事件的AI情景推演引擎（Scenario Engine）、展示多维影响的可视化图谱（Impact Map）、风险信号识别（Risk Signals）以及个性化用户工作台（My TaiJi）。TaiJi强调其定位为智能分析工具，不托管用户资产、不提供交易服务或投资建议。 通过此次融资，TaiJi将加速产品迭代与测试，逐步开放核心功能，并继续深化在BSC生态及全球Web3市场中的布局。

marsbit06/02 09:47

TaiJi 完成 350 万美元战略融资，Castrum Capital、Becker Ventures 与 Coinvestor Ventures 参与投资

marsbit06/02 09:47

TaiJi 完成 350 万美元战略融资，Castrum Capital、Becker Ventures 与 Coinvestor Ventures 参与投资

太极(TaiJi)宣布完成350万美元战略融资，本轮融资由Castrum Capital、Becker Ventures与Coinvestor Ventures共同参与。资金将用于产品研发、AI推演引擎升级、多智能体(Agent)分析系统建设、市场数据基础设施完善以及全球社区与生态合作拓展。 太极是一个构建在BNB Smart Chain（BSC）生态上的AI驱动链上市场智能平台。它旨在整合市场行情、链上资金、流动性变化、社交媒体情绪和新闻事件等多维度数据，并通过多Agent协同分析框架（包括市场、链上、情绪、风险和事件Agent），将这些碎片化信息转化为结构化的市场事件推演、影响路径分析、风险判断和后续观察指标。 与传统行情工具不同，太极致力于构建一个完整的智能分析系统。其第一阶段产品核心模块包括：实时市场情报(Market Intelligence)、基于事件的AI情景推演引擎(Scenario Engine)、事件影响图谱(Impact Map)、风险信号识别(Risk Signals)以及个人工作台(My TaiJi)。 项目认为，Web3市场已进入由事件、叙事、数据和链上行为共同驱动的新阶段。太极的目标是提供一种新的市场理解方式，帮助用户更快速、结构化地理解复杂事件对资产、流动性及市场情绪的潜在影响。平台不托管用户资产，不提供交易服务或投资建议。

链捕手06/02 09:26

TaiJi 完成 350 万美元战略融资，Castrum Capital、Becker Ventures 与 Coinvestor Ventures 参与投资

链捕手06/02 09:26

Claude Opus4.8发布，Anthropic开始把「可信」做成产品卖点

Anthropic发布了Claude Opus 4.8模型，在六项核心基准测试中取得五项第一，价格维持不变。此次发布的核心卖点并非单纯性能提升，而是显著增强了模型的“可信度”。在代码诚实度测试中，模型对自身错误的漏报率从19.7%大幅降至3.7%。它更擅长暴露不确定性，减少“过度自信的错误回答”，降低了用户因收到看似完整流畅实则错误的答案而带来的风险。 Claude Code功能新增了动态工作流（研究预览版），能自动调度多个子Agent并行工作，并引入对抗性自检机制在交付结果前进行验证，进一步提升了复杂任务输出的可靠性。 模型在数学（USAMO 2026得分提升27%）、长上下文推理和多Agent协作等任务上表现突出。不过，在终端操作任务上仍稍逊于GPT-5.5，且在少数领域（如抗提示注入能力）存在退步。 文章指出，前沿模型的竞争正从追逐基准分数转向对可靠性、可验证性的争夺。同时，Opus 4.8被定位为通往更强大、受限访问的“Mythos”级模型的公开入口，该模型预计将在未来几周内推出。对于用户而言，此次升级意味着可以将更多重要、复杂的工作委托给AI，推动“可委托”成为下一代AI的核心门槛。

marsbit05/29 22:19

Claude Opus4.8发布，Anthropic开始把「可信」做成产品卖点

marsbit05/29 22:19

OpenAI和Anthropic带头念的经可能是歪的

本文探讨了当前AI领域热门的多智能体系统（MAS）的两条发展路线。主流路线是“Harness式MAS”，即多个AI角色协同完成复杂任务，本质是工作流引擎，侧重于提示工程、上下文管理等软件工程问题。但作者提出另一条少有人关注的路线：“Protocol-Native Agent System”，其核心是每个人拥有具备主权的个人智能体或“无人公司”。这些智能体具备长期身份、记忆、资源和利益边界，代表其所有者。 当智能体成为独立的数字实体，它们之间的协作将不再依赖共享上下文或工作流，而是依赖定义身份、权限、信任、激励和价值交换的协议。这标志着AI系统的核心从“提示工程”转向“协议工程”，多智能体系统的本质也从分布式软件系统演变为“数字社会”。未来的组织形式可能演变为由个人智能体通过协议动态组成的联盟，而真正的挑战将在于如何让拥有不同目标、记忆和价值观的自治智能体之间实现长期协同。这需要建立新的“本体论”和语义协议，以构建可协同的解释体系。

marsbit05/28 05:32

OpenAI和Anthropic带头念的经可能是歪的

marsbit05/28 05:32

Agentic Design Patterns：一本让我重新理解"Agent 到底是什么"的书

《Agentic Design Patterns》一书由Google工程总监Antonio Gullí撰写，系统性地将AI Agent开发拆解为21种设计模式。文章作者阅读后，对Agent的本质有了更深刻的理解。 书中将Agent划分为四个等级：Level 0仅为裸LLM，不具备行动能力，并非真正的Agent；Level 1能自主调用工具完成任务；Level 2具备战略规划与上下文工程能力，能对信息进行裁剪和降噪，并进行自我反思；Level 3则是多智能体协作，像团队一样分工合作。 文章重点阐述了几个核心概念： 1. **上下文工程**：超越提示词工程，系统地为Agent构建包括系统指令、外部数据、隐式信息和反馈回路在内的四层上下文环境，以提升其准确性和效率。 2. **反思模式**：采用“生产者-批评者”双智能体模式，让一个智能体负责创作，另一个负责审查和提出修改意见，通过迭代循环显著提升输出质量，但需设置合理的迭代次数以控制成本。 3. **多智能体协作**：并非越复杂越好，应根据任务复杂度选择合适的通信拓扑结构（如独立执行、对等网络、中心调度等）。通常，一个达到Level 2的单智能体加上反思机制已能应对大多数场景。 4. **记忆三层模型**：分为会话层（临时对话上下文）、状态层（任务进行中的临时数据）和持久层（跨会话的长期记忆），需要设计相应的存储与检索策略。 书末还提出了对未来Agent发展的五个假设，其中最颠覆的是“变形多智能体”：系统能根据最终目标自动创建、调整、重组智能体团队，实现完全自主的任务规划与执行。 作者建议读者可立即实践三点：为现有智能体增加一个“批评者”角色以进行审查；开始实践系统的上下文工程而非仅关注提示词；优先将单智能体能力提升至Level 2，而非盲目追求多智能体系统。 这本书的价值在于，它将许多开发者在实践中摸索的经验系统化、模式化，为AI Agent开发提供了一份清晰的“地图”。

链捕手05/25 04:42

Agentic Design Patterns：一本让我重新理解"Agent 到底是什么"的书

链捕手05/25 04:42

AI 协作重磅突破！斯坦福英伟达联手消除AI沟通内耗，推理速度暴涨 2.4 倍

斯坦福、UIUC、英伟达与MIT的研究者联合提出了一种名为RecursiveMAS的新方法，旨在消除多智能体AI协作中的“语言税”问题。传统多智能体系统需要通过自然语言文本进行沟通，导致效率低下、信息丢失且计算成本高。RecursiveMAS的核心创新在于让智能体跳过文本生成与解析的步骤，直接在潜空间（latent space）中通过向量表征传递“思维”，实现类似“心灵感应”的高效协作。 该方法通过轻量级的RecursiveLink模块连接智能体，仅需训练约0.31%的参数，显著降低了训练成本与显存需求。实验表明，RecursiveMAS在数学、代码生成等多个任务上平均准确率提升8.3%，推理速度提升最高达2.4倍，同时Token消耗降低75%。其性能优势随递归轮次增加而扩大，为多智能体系统的扩展提供了新的方向——从增加智能体数量转向加深递归深度。 尽管该技术仍需在异构模型兼容性、可解释性及复杂生产环境中进一步验证，但它挑战了多智能体协作的传统范式，有望推动AI协作效率实现质的突破。

marsbit05/21 00:10

AI 协作重磅突破！斯坦福英伟达联手消除AI沟通内耗，推理速度暴涨 2.4 倍

marsbit05/21 00:10

活动图片

热门分类right-arrow

热门标签right-arrow

其他right-arrow

技术发展right-arrow