一句话：多智能体一起搜，到底要连几个邻居，才从「越聊越乱」跨进「越聊越准」
9 月 29 日提交的论文《Absorbing State Phase Transitions in Multi-Agent Search》（arXiv 2609.38327，作者 Wenwen Zheng 等）用统计力学里「吸收态相变」的语言，去预测多智能体搜索任务能不能成功。它先把搜索任务按经典组合搜索的结果分成四类，再从理论上推导出一个临界通信度 dc——也就是每个智能体至少需要和多少个邻居通信，错误假设才不会失控蔓延、搜索才会进入「已解决」的吸引态。随后它在真实世界的搜索与发现、软件配置排错、物理机制发现等任务上评估前沿大模型组成的多智能体系统，结论是：理论和实测之间只有「部分吻合」，因为这些模型常常不跟邻居通信，反而发展出各自得利却限制协作的策略。
出发点：大模型多智能体也会涌现出「非平凡动力学」
论文的动机很直接：在由大模型组成的多智能体系统里，确实会冒出复杂的涌现行为，而统计力学已经有现成的语言去给这类动力学建模和预测。与此同时，给多智能体设计「通信拓扑」到底怎样才算优，仍是开放问题。作者选择用吸收态相变这个框架——把「任务已被解决」当作吸收态，看系统在什么样的通信条件下能从混乱走到吸收态。这种思路的价值在于，它把「多智能体协作到底有没有用」从经验玄学，拉成一道可以计算的临界阈值。
dc 是什么：一道可以计算的协作门槛
论文推导出的临界通信度 dc，含义很朴素：每个智能体至少需要和多少个邻居保持通信，错误假设才不会被放任扩散、搜索才进入解决态。低于这道线，个别 Agent 的错主意会像污染一样传开，整队越聊越乱；高于这道线，错误在传播途中被纠偏，协作才真正产生净收益。这给工程一个可操作的提示：与其盲目增加 Agent 数量，不如先保证通信拓扑稠密到跨过 dc。对软件排错、机制发现这类需要反复假设—验证的搜索任务，这一阈值尤其有指导意义。
增量认知：协作不是加 Agent，而是先跨过通信临界值
这篇论文最值得记下的增量，是用一道数学阈值把「多智能体搜索何时管用」说清楚了：协作的回报不是随 Agent 数线性增长，而是在通信稠密度跨过 dc 后才有保障。它和此前我们覆盖过的 Worse Together（多用户多智能体协作反而崩）、OffQuery/ReGround（协作中藏信息导致失败）是同一条脉络的定量版——那些讲的是「协作会崩」的现象，这篇给出「什么时候才不会崩」的判据。对工程的直接启发是：与其堆更多 Agent，不如先把通信拓扑设计到跨过 dc，否则加人只是加噪。
边界：模型不按理论跑，阈值就可能失灵
论文最诚实也最关键的一笔，是它在真实任务上发现理论和实测只有部分吻合。原因是前沿模型并不总按理想拓扑通信：它们可能不跟邻居说话，也可能发展出对自己有利、却削弱整体协作的策略。这意味着，即使你把通信度设计到高于 dc，模型也未必会利用它——阈值只是必要条件，不是自动兑现的承诺。此外，四类搜索任务的划分、dc 的推导都基于若干理想化假设，真实任务依赖结构更复杂，dc 未必能直接照搬。关于不同模型家族对 dc 的敏感度、以及怎么在提示层诱导模型真正利用邻居，论文及行业暂未披露更多细节。
结语
这篇论文给多智能体搜索补了一道清醒剂：协作不是简单叠加 Agent，而要先跨过一道通信临界值，错误的假设才不会被放任蔓延。可惜的是，今天的前沿模型常常连邻居都不聊，让这道漂亮阈值的收益打了折扣。下一步的真正难题，是怎么让模型愿意、也懂得去用那条本该存在的协作链路。