一句话：多智能体自己改自己时，最缺的不是更聪明，而是别改得前后不自洽
9 月 29 日提交的论文《Topological Coherence for Self-evolving Multi-Agent Systems》（arXiv 2609.37953，作者 Sen Zhao 等）提了一个常被忽略的问题：当多智能体系统在运行中自我演化、自己调整职责与协作方式时，怎么保证改完之后，各智能体的责任边界、交接关系与记忆可见性，仍然和任务本身的依赖结构对得上。作者把这套约束称为「拓扑相干」（topological coherence），并据此给出 TOCOMAS 这一拓扑相干的多智能体系统。它把任务图锚定在工具接口上，把相容的任务节点归并成可复用的责任域，再推导出由依赖与画像共同决定的协作方式，以及由边界约束的记忆可见性。
问题从哪来：能联合优化，不代表优化得不矛盾
论文的出发点很接地气。现有方法已经可以一起优化智能体结构和它们之间的通信结构——谁负责什么、消息怎么传，都能学出来。但作者指出，这种优化并不天然保证三件事仍然和任务依赖保持一致：职责划分要对得上任务的子区域，交接关系要对应真实的跨区依赖，记忆的私有与共享边界也要跟着责任走。换句话说，系统可能「调得动」，却调得前后矛盾——某个智能体的记忆该不该被另一个看到、某次交接该不该发生，和它实际负责的活儿脱了节。这种脱节在静态系统里只是别扭，在自我演化的系统里会被放大。
TOCOMAS 怎么做：把任务图锚在工具接口上
TOCOMAS 的解法，是先让任务图牢牢锚在工具接口上——哪些能力由哪个工具提供，是客观的，不随演化漂移。它再把相容的任务节点归并成可复用的「责任域」，让职责划分有稳定的容器；然后由任务依赖和智能体画像共同推导出协作方式，并由边界规则约束记忆的可见范围。在线自演化时，系统会同时提出对智能体、协作与记忆策略的耦合改动，但只保留那些既满足结构约束、又确实提升评估奖励的候选方案。这等于给「自我改进」加了一道结构闸门：可以改，但改完必须仍然相干。
增量认知：自演化要尊重拓扑，否则越改越 incoherent
这篇论文的增量，在于把「自演化」从一种无拘束的能力追求，拉回到「必须在结构约束下演化」的方法论。它和此前我们覆盖过的 FloWright（工作流自我演化）、PANDA（去中心化容错组队）处在同一条脉络，但补的是最容易被忽略的那块：结构能改，约束不能丢。对长程多智能体来说，真正的麻烦往往不是某个 Agent 不够强，而是演化到一半，责任、交接与记忆的边界和任务依赖脱了钩，系统表面在进步、内部却在失稳。TOCOMAS 在 BBEH、WorkBench、SWE-Bench-Verified 与 CoMemBench 上的实验中，相对基线在任务成功率、已验证进展、交接质量与记忆隔离上都有提升，也佐证了这条约束的价值。
边界：相干是必要条件，不是充分条件
也要冷静看待。拓扑相干保证了「改完不自相矛盾」，但它不保证任务一定做得更好，也不解决智能体本身能力或工具可靠性的上限。论文的实验仍集中在若干基准上，真实企业系统里任务依赖更复杂、工具更不可控，约束能否在低质量工具下依然成立，还需更多验证。此外，把任务图锚定在工具接口上，意味着它对工具接口的稳定性有隐性依赖——工具频繁变接口，责任域也要跟着重划。关于参数规模、演化步长与对动态环境的适应，论文及行业暂未披露更多细节。
结语
TOCOMAS 给多智能体自演化补上的是一道朴素却关键的原则：能改，不代表可以乱改。当系统开始自己调整自己，让结构改动始终和任务拓扑相干，可能比再塞一个更强的模型更有用。这条线，正把我们此前反复看到的「让多智能体自己长」的叙事，从热闹拉回工程。