光学设计长期依赖专家经验与大量数值仿真，而 LLM 驱动的 photonic agents 把自然语言意图直接连到可执行求解器，已显现出比传统方法更明显的优势。但现有多智能体框架大多停留在「协作」范式——一组智能体互相配合，却缺少外部选择压力，容易把共享盲点一起带进去、过早收敛，也难以把经验累积成可迁移的能力。换句话说，大家朝同一方向补，盲区也就一起被固化。
GCCE 的核心：把竞争当成训练信号
一篇 2026 年 9 月 23 日提交的论文（arXiv 2609.28045）提出 group photonics collaboration-compete evolution（GCCE）框架及其 LLM 实例化 Photonics-GCCE。它让两个相互独立的智能体群去追逐同一个设计目标，并沿着折射率保真度、制造敏感度、算法充分性、物理一致性四项指标做结构化互评。每个群由一个队长与三名专家智能体组成，分别盯住材料、优化与代码校验。两套班子用不同路径解题，再互相挑刺。
关键在「竞」。传统协作里，大家朝同一方向补，盲区会被一起带进去；GCCE 让另一组走不同路径、再互相挑刺，胜出方案的经验沉淀为可迁移技能，下一轮两组都更强。这把「协作」升级为「边比边练」，相当于把进化算法里的选择压力引入了多智能体设计。对复杂的光子器件而言，这种外部压力恰好能对冲「一组人容易一起犯错」的倾向。
落到工程上，这种竞合依赖几个设计细节：队长负责把设计目标翻译成各组可执行的子任务，三名专家分工盯住「材料能不能做、优化算得准不准、代码跑得通不通」；互评不是简单比分数，而是逐项对照四项指标，输的一方暴露的短板会成为下一轮精化的方向。论文把胜出方案里可复用的部分抽成技能，让两组在下一次设计里站在更高的起点上，经验因此不再锁死在单次任务里。
结果：高分区、更稳的制造裕度、更快收敛
在六类器件上对比单智能体与多智能体基线，Photonics-GCCE 把综合得分推进到 90 余分，制造鲁棒性提升 15 至 17 分，求解迭代压到约 40 轮。一个代表性的准 BIC 演示，产出了品质因数 13120、可实际加工的设计。这说明它不只是分更高，还更经得起加工误差、收敛更快——这对真要拿去流片的器件尤为关键。
但也该冷静：这些数字来自论文自报基准，跨器件类别表现一致是方法可迁移性的好信号，但真实流片与产线上的复测仍是必答题。更务实的启示是——多智能体设计的瓶颈未必在「会不会合作」，而在「有没有外部压力逼出盲区」。把竞争机制引入协作，给的不只是一个光学设计工具，也是一种可迁移的框架思路：凡是「一组人容易一起犯错」的任务，都可以用双群互评来对冲。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
把视角拉回智能体行业，GCCE 的启发不限于光学。凡是「多个角色协作、却容易一起踩同一个坑」的任务，都可以考虑引入一条独立的对手链路来施加选择压力。难点不在算法，而在如何设计公平且可重复的互评维度——论文用四项物理量给了一种参照，其他领域需要自己定义那套裁判标准，避免竞争退化为互相拆台。多智能体写代码时的共享误判、跨系统编排时的责任真空，本质上都是同一类问题。
总体看，Photonics-GCCE 把多智能体从「一起想办法」推进到「互相考对方」，是智能体工程优化里一次有想法的尝试。它提醒行业：协作的天花板，常常由「没有对手」决定；给协作加上选择压力，或许是比堆专家更划算的下一步。