常规的推理协议通常会给智能体一个固定、预先选定好的任务，然后看它答得对不对。这种设定有一个盲区：它测不出 Agent 是否会在任务绑定被事件流修改后，依然传播相关的更新、保留未受影响的部分、并重建历史任务的对应关系。一篇 10 月挂出的论文把这个问题正式摆在台面上，称为动态任务路由。
当任务绑定被反复修订
作者研究的核心场景是：事件流不断修订任务的绑定关系，系统必须在每次查询时，先解析出当时有效的文档版本，再去解题。为此，他们把 MMLU、MMLU-Pro、MedMCQA、MATH、GPQA、HumanEval 这六个常用基准，改造成 31119 个动态片段、共 373428 条带时间分类的查询。这个设定直接暴露出一对核心取舍：每次事件后全量重算，浪费已做的工作；毫无防护地复用缓存，又会返回过期的结论。
RIAG：把时间解析和推理分开
论文提出的 RIAG（Revision-Aware Independent Agent Graph），是一个有界的多智能体策略，关键设计是把确定性的时间解析与任务推理解耦。它按不可变的文档标识缓存解，每个新任务起始给两次未暴露的尝试，按需调用审计与修复，对每个文档版本至多使用四次调用。
结果上，同质 RIAG 以每查询 0.62 次调用的代价，拿到 54.24% 的联合路由加回答准确率；作为对比，表现最好的方法要用 18.00 次调用才达到 32.22%。异构 RIAG 在 0.63 次调用下也达到 49.78%。用极少的调用次数换来了明显更高的准确率，说明「先取对版本再解题」这条思路本身是成立的。
增量在哪里：动态一致性
这篇工作的增量，不在记忆容量，也不在编排复杂度，而在于把「任务被改了怎么办」从被默许的前提交成了一个显式的工程问题。它和那些讨论静态记忆、固定编排的稿件关注点不同：RIAG 关心的是版本有效性——当底层文档在变，智能体有没有能力在每次推理前先校准自己手里的依据。
当然边界也要说清。它目前聚焦文档版本这类相对规整的修订，更复杂的任务依赖图仍在研究视野之外；基准改造能否充分代表真实世界的动态，也还需要更多验证。但「按不可变标识缓存、按需失效」这一招，成本低、可复用，值得做多智能体系统的团队借鉴。