斯坦福大学的 DeLM 将多智能体任务成本降低 50%——无需中央协调器
传统人工智能框架依赖一个中央“主管”智能体来协调任务，这可能导致通信瓶颈并降低效率。斯坦福大学提出了一种名为 DeLM 的新框架，采用去中心化方法，使智能体能够直接进行协调。DeLM 利用共享知识库作为通信基础，允许智能体在无需中央控制器的情况下基于已验证的进展进行构建。该设计避免了集中式系统带来的效率低下和潜在的信息失真问题。在传统系统中，主智能体负责分解任务、分配任务并合并响应，从而形成单点故障。相比之下，DeLM 将任务分布式地分配，并允许智能体异步认领和处理任务。该框架采用任务队列和共享上下文，智能体在其中写入紧凑且经过验证的更新，称为"gists"。这些 gists 会与证据进行核对，仅完全验证通过的才会被共享。DeLM 的流水线包括初始化、并行执行、压缩与验证，以及最终确定完成步骤。这种去中心化模型使智能体能够避免重复工作、复用发现，并专注于未解决的问题。DeLM 在 SWE-bench 和 LongBench-v2 等基准测试中展现出更优的性能和成本降低。它通过允许智能体共享失败案例并利用已验证的约束来提高准确性，同时通过“展开”（unfolding）机制高效管理上下文。最终，DeLM 挑战了多智能体系统中中央控制器的必要性，提供了一种更快、更准确且更具成本效益的替代方案。
