10 月 6 日，一篇题为 WorkflowOps 的 arXiv 论文（编号 2610.07860）把多智能体编排的一个老毛病摆上了台面：今天的编排层大多是「无记忆」的。一个复杂任务来了，系统还是从头把它拆成子任务、分配 agent、再跑一遍，过去那些跑通的协作经验一点都没沉淀下来。论文由 Qi Cheng、Shengyu Chen、Wei Cheng 等人完成，核心主张很简单——编排层也该从历史工作流里「学协作先验」，让下一次拆解站在上一次成功的肩膀上。
三个机制，取代「每次从零来」
WorkflowOps 用了三件耦合在一起的机制。其一是转移概率矩阵：它统计历史工作流里 pairwise 的 agent 协作频率，在构造 DAG 时把这些频率当成软引导——比如同一层里谁和谁常被放在一起、哪些边值得连、哪些边用了反而拖慢并行，矩阵都会给建议。其二是充足性驱动的建 agent 循环：当语义匹配发现当前 agent 池里有能力缺口，系统会就地用一个 LLM 造出专用 agent，并立刻把它注入协作矩阵，让新 agent 带着「预测出来的协作先验」就能直接用，而不是等下一轮才生效。其三是分层语义匹配：先用预训练句向量做快速、确定的能力匹配，只在低置信时才叫 LLM 出来复核路由。
真正值钱的是省下的那八成调用
第三点常被当成附属细节，其实是最容易被低估的贡献。论文说，相比纯 LLM 路由，分层匹配把路由调用压低了八成以上。也就是说，编排层不再动辄为每个子任务决策去打扰大模型，大部分活儿靠便宜的向量检索就办了。在代码、数学、问答混合的测试套件上，WorkflowOps 的端到端通过率超过了近期几个工作流构造基线，而且提升最明显的地方，恰恰是那些结构化、可拆解、过去 agent 交接模式能复用的任务——越是「老活儿」，历史协作频率越值钱。
把协作知识做成可迁移的资产
换个角度想，这套设计的聪明处在于把「协作知识」做成了可迁移的资产，而不只是某次运行的副产品。过去一个团队调通了某类任务的 agent 分工，经验往往锁在那一次跑批里；WorkflowOps 把它抽成矩阵和注入机制，下次哪怕换一批子目标，也能直接借力。对「同一类业务天天跑」的企业场景尤其划算——客服分流、代码评审、数据清洗这类高度重复的多 agent 流程，正是协作先验最容易滚雪球的地方。当然，矩阵质量高度依赖历史工作流的覆盖度，冷启动阶段能学什么，仍要更多实证来回答。
它的意义不止于准确率
把 WorkflowOps 放回这半年的多智能体演进里看，它的位置很清楚：把「编排」从每次重新计算的开销，变成了可以累积的工程资产。过去我们谈多智能体，焦点在「怎么拆得巧」；WorkflowOps 把焦点挪到「拆过的活能不能被记住、被复用、被越用越顺」。按需扩 agent 池这一步，也暗合了另一条线索——agent 团队正在从固定编制走向按任务生长。当然，它眼下仍是研究原型，矩阵质量依赖历史工作流的覆盖度，冷启动阶段能学什么还有待更多实证。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。
对做智能体平台的团队来说，这篇论文给了一句实在的提醒：别只盯单任务的终点分，编排层能不能「记事儿」，会直接决定一支 agent 舰队是越跑越聪明，还是永远在交学费。当协作先验可以被量化、被迁移、被复用，多智能体才算真正从演示走向生产。