一篇题为《Codebook Agent: Amortized Topology Design for Multi-Agent Systems》的论文（arXiv 2609.02264，2026 年 9 月发布）盯上了多智能体系统一个少有人问的设计前提：智能体之间该怎么「连」，也就是通信拓扑。过去的主流做法，是把拓扑当作一个条件图生成问题来搜——给定任务特征，搜索一组能让表现最好的邻接关系。论文用一组实验泼了冷水：这种搜法看似热闹，可用起来却很糟。
传统拓扑搜索：搜得欢，用得差
论文先拆穿了「搜索」的虚假繁荣。他们发现，当把图生成器放开去搜 N 乘 N 的邻接空间时，幸存下来的「好拓扑」会塌缩到大约 6 种形态——搜索看似穷尽了无穷可能，实则收敛到极少模式。更要命的是，拓扑里能保留的边数，与推理所需的 token 消耗呈明显负相关，相关系数约 -0.4：把图剪得更稀疏看似省了结构，推理反而更贵。而在所有智能体共享同一用户画像的场景下，原本用来给候选拓扑打分的消息传递评分器，甚至无法区分优劣，直接失效。
增量认知：「搜得越多越好」在多智能体拓扑设计上并不成立。幸存拓扑塌缩、边数越多 token 越贵、共享画像下评分器失灵——这三个现象共同说明：拓扑不是被「搜」出来的，而是被「结构」决定的。把搜索当万能钥匙，反而掩盖了真正的设计规律。
这给工程实践提了个醒：很多团队在调多智能体系统时，习惯性地加大脑、加连接、加重试，却很少追问「连接本身有没有被设计过」。当评分器在共享画像下失效，意味着你以为在优化，其实连好坏都分不清——这是比表现差更隐蔽的陷阱。
Codebook Agent：先压成码本，再查表出拓扑
论文的解法换了一个思路：既然「好拓扑」就那么几种，与其每次现搜，不如把成功拓扑事先压进一个与查询无关（query-independent）的码本。具体做法是用向量量化自编码器，把训练里见过的有效拓扑蒸馏成 16 项拓扑码本；推理时，由一个奖励加权 MLP 把任务查询映射到最合适的码本项，再用一个邻接代理（adjacency surrogate）做轻量重排，得到最终拓扑。
好处立竿见影。在六项基准上，Codebook Agent 平均得分 84.6，优于前作的 83.0；它不需要迭代搜索，测试时也不必在智能体之间反复传消息，单步就能在约 2.4 毫秒内给出一个拓扑，token 消耗比搜索式方法省下 22 至 33。换句话说，它把「每次临时搜」换成了「平时压缩好、用时查一下」，既快又省，还绕开了评分器失效的坑。
摊销式设计，给多智能体提效一个新角度
这项研究的价值，在于把「拓扑设计」从逐次搜索，重写成「摊销式（amortized）设计」：把昂贵的探索成本摊到训练阶段，推理阶段只做一次廉价的查表与重排。它揭示的规律对工程很有用——多智能体的通信结构，也许本就不需要每次现算，而可以像视觉里的码本一样，被预先学到并复用。对推理成本敏感、又想保留多智能体协作收益的场景，这种「先压缩、再查表」的范式，提供了一条与堆算力截然不同的提效路径。
边界提醒：论文结论基于其设定的六项基准与共享画像等受控设置，84.6 对 83.0、token 省 22 至 33 等数字会随任务分布、模型规模与码本容量变化；码本容量（16 项）是否够覆盖更复杂的真实协作形态，仍需更多场景验证。把它当作「降低拓扑推理开销」的有力候选，而非通用最优解。
Codebook Agent 给多智能体系统补上的是一块常被忽略的拼图：通信拓扑本身值得被设计，且可以被高效地设计。当行业把注意力都放在「让智能体更聪明」时，它提醒我们，把连接结构从搜索里解放出来、压进一个可复用的码本，可能是规模化部署更省力的那一步。