多智能体协作有个老难题：一群大模型怎么「对话」才既聪明又不烧钱。最常见的做法是预先画好一张固定的通信图——谁跟谁连、消息怎么流，全都写死在架构里。可真实任务的状态是流动的，固定拓扑要么在简单任务上白白多喊几个帮手，要么在复杂任务上让关键信息卡在中转站。10 月 19 日提交到 arXiv 的论文 ACTS（编号 2610.25851，作者 Haibin Li、Wenya Yu、Jia Li 等）把这件事重新定义成「谁来跟谁说话」的调度问题，结论是：通信拓扑不该写死，而该按角色和实时状态动态决定。
谁该跟谁说话，本不该写死
过去几年多智能体系统的加速，很大程度来自把通信结构化——不再是所有智能体共享一个群聊，而是按拓扑组织信息流。但静态图有个硬伤：它假设任务的难度和分工是已知的，而实际推理里，哪一步需要几个人碰头、谁该把中间结果传给谁，往往要到执行中才清楚。ACTS 站在 CTDE（集中训练、分散执行）的范式上，主张把「调度拓扑」本身当成一个可学习的决策，而不是工程里写死的常量。它关心的核心指标也很实在：在团队推理性能和随智能体数量指数级膨胀的 token 开销之间，找到更优的平衡点。
两层注意力：一个选伙伴，一个记拓扑
ACTS 的核心是两套注意力机制配合。一套叫 Role-conditioned Relational Attention（角色条件关系注意力），它根据每个智能体的角色和不断演进的执行状态，动态挑出「这一刻该和谁交互」的伙伴，而且是变基数的——有时只需要两个人小范围对齐，有时要拉起一片子图。另一套叫 Topological Attention Mixer（拓扑注意力混合），它把那张有向通信拓扑直接嵌进团队的「价值分解」里，让信用分配（谁的贡献被记功）也跟着拓扑走，而不是只看最终答案。论文强调的是：拓扑不是被丢弃的中间产物，而是团队决策的组成部分。在 9 个覆盖代码生成、多步推理、通用知识和竞赛数学的基准上，ACTS 持续超过当时领先基线，平均准确率最高提升 6.19 个百分点，同时把 token 消耗降低 15% 以上。
数字与边界
这组数字最值得咀嚼的地方，不是「又涨了几分」，而是它证明动态拓扑调度能同时改善性能和开销——这在多智能体系统里通常是此消彼长的两头。但它不是银弹：论文覆盖的 9 个基准偏重推理与编码类任务，真实生产环境里任务异质性更强、工具调用更杂，动态调度的收益是否还能保持，仍要靠具体场景验证。另一个隐含前提是，调度器本身需要被训练或对齐，引入的协调成本在很小的团队上可能不划算。把 ACTS 和站内近期覆盖的「子代理委托经济学」「通信结构是否真有帮助」放到一起看，行业正在形成一条共识：多智能体的瓶颈越来越不在「有没有更多脑子」，而在「这些脑子之间怎么高效地说话」。对做多智能体编排的团队，这篇给出的可操作启发是——把通信拓扑从配置项变成可学习的调度对象，可能是比堆模型更划算的杠杆。
目前官方及行业暂未披露更多细节，包括各基准的具体绝对值、调度器的训练开销与在工具密集型任务上的表现，后续将持续跟进迭代动态。这篇把「谁跟谁说话」从工程写死推进成了可按角色动态调度的研究对象，对正被多智能体 token 账单困扰的团队，值得拿来对照自己的协作拓扑。