搭Agent系统，是搞“人海战术”，还是给团队“瘦身”？
Agent架构也有两种常见失衡：单个Agent承担过多领域知识，容易混用规则；子 Agent 拆分过细，则可能增加交接损耗。Meta碰到的是前一种。它曾让一个Agent负责推荐系统的数据列接入，演示时表现正常，进入生产环境后却开始混用不同数据源的规则。
Multi-Agent 系统如何处理子 Agent 超时、失联和并发修改冲突？
开场：一道专测"会不会写超时重试"的题 一个子 Agent 执行任务时超时或失联了，你会怎么处理？ 设一个超时时间，超时后杀掉它，再启动一个新的 Agent 重跑任务。 旧 Agent 可能只是网络断了、实际还在运行。新 Agent 接管后，两个实例一起写数据怎么办？
一张图读懂 Agent 状态机：Multi-Agent 任务总失败、中断无法续跑？
在真实企业业务场景里，大模型超时、接口报错、长任务中断是常态。没有状态管理，一旦任务中断，所有进度全部丢失，无法重试、无法追溯。
让 Agent 团队边做边规划：HTN-Orchestrate 用分层任务网络重构多智能体编排 | GAIR Paper 137
HTN-Orchestrate助力开源Flash底座跑出BrowseComp 89.73%，逼近GPT-6 Astra。 编辑丨岑峰多智能体系统越搭越复杂，除了用哪个模型， 谁来拆任务、谁来派活、谁来收尾，也直接影响系统的性能表现。
企业 Data Agent 如何真正落地？
企业 Data Agent 如何真正落地？
一篇永不过时的论文——“论迹”杀掉了“论心”
1991年，两个经济学家发表了一篇论文，研究一个看起来很技术化的问题。当一个人同时做几件不同的事，有些事容易考核，有些事很难考核，该怎么激励他？（论文出处：Holmström B, Milgrom P.
多Agent为何越用越慢？并行与成本优化实战
前几天，我们给AI编辑部增加了三个Agent。一个负责搜集资料，一个负责撰写文章，还有一个专门检查错误。原本以为三个人分工合作，效率应该更高。没想到，实际开发时很容易遇到一种尴尬情况：原来一个Agent就能完成的任务，拆成三个Agent以后，速度反而变慢了。
Agent一直在行动，任务为何没进展？PoS识别并打破Belief Trapping
这是论文在 ALFWorld 仿真任务中展示的一个真实案例:使用完整交互历史的 Raw Trajectory 基线用完 50 步仍然失败，而 PoS 在 17 步内完成了同一任务。
Agent开发：多个Agent一起干活，为什么反而更容易出错？
假设你正在开发一个AI内容创作系统。以前只有一个Agent，负责查资料、写文章、检查错误。你觉得它忙不过来，于是决定给它找两个帮手。第一个负责搜集资料，第二个负责撰写文章，第三个专门审核质量。三个Agent分工明确，看起来非常合理。结果第一次测试，就闹了个笑话。
李飞飞的答案：大模型之后，Agent 向何处去？
文 | 划重点KeyPoints1、李飞飞最新论文，为当下火热的 Agent 划定了边界、确立了范式。谷歌、OpenAI 和微软等巨头的最新布局，几乎都遵循了论文给出的能力栈。2、论文提出了一套完整的认知闭环架构——从感知、认知、行动，到学习与记忆，构成动态迭代的智能体体系。