多智能体系统怎么搭，长期靠两样东西支撑：试错，和口耳相传的经验法则。有人说辩论好，有人说共享黑板好，有人说先并行再汇总好——各有拥护者，但很少有人能说清在某个具体任务上到底差多少。原因有两个：手工实验一次只测两三种结构；自动化方法则在找到一条好用的工作流之后，把中间过程全丢了。
10 月 22 日提交到 arXiv 的论文 2610.31709 换了个思路：把搜索过程本身当成数据来用。四位作者 Xavier Cadet、Junyan Cheng（两人并列一作）、Peter Chin 与 Kyle Richardson 的做法分两阶段。头一步改造 AFlow 的蒙特卡洛树搜索优化器，把「留优去劣」改成「什么都留着」，配六个可组合算子，在 26 道可确定性校验的 Enigmata 任务上跑完整搜索，每一轮的中间方案都收进语料，最终攒出 28568 条可执行工作流。
第二步是把这批语料变成试验床。一个跑在沙箱里的自动研究环路，从这些工作流的代码与执行轨迹里挖特征；目标函数带 L0 惩罚，倾向于给出简洁而不是繁复的规律；挖到的候选结论还要拿到留出的搜索上复验，而不是在同一批数据上自证。300 轮特征挖掘之后，有三条效应稳住了。
一是星形开局偏弱：先让若干独立求解器各干各的、再一次性汇总，相对效应约负 0.045。这与「并行总是更快」的直觉相左，合理的解释是并行分支之间缺少中途校准，错误在汇总时已经不可挽回。二是持续性共享文档明显强于辩论，相对效应约正 0.135——这一条和不少团队「让智能体互相挑错更稳」的期待正好相反。三是提示词的具体度与占位式上下文路由带来约正 0.118 的增益。
末行数字才是这篇论文最值得琢磨的地方：0.118 与换一种通信结构的量级相当。过去两年大量工作把拓扑当主参数去调——本站记录的 Muffin（2105）改异步共享缓冲、ScaleMAS（1970）改共享消息库的发布与检索规范、Avalon-M1（2111）改组织形态与分账方式，动的都是结构。这份数据提示：在可确定性校验的任务上，把提示词写具体、把上下文按占位符精确路由，跟换一套结构是同一个量级的收益。对算力和人力都有限的团队来说，这是一条性价比提示——先把话说清楚，再考虑换架构。
方法论层面同样值得一记：被丢弃的搜索轨迹是个还没被认真开采的矿。自动搜索每跑一次，都在产生「什么在什么条件下更好」的证据，只是结论一出、过程即弃。把它攒成统计试验床，是把行业经验法则转成可复验结论的一条低成本路径，比再开一轮新实验划算得多。
冷水必须泼足。26 道任务全部来自可确定性校验的谜题类集合，既不是软件工程，也不是企业里那种答案本身就模糊的流程；三个数字是相对效应量，论文没有给出绝对准确率，也没有交代基线高低；留出验证留的是「搜索」而不是「任务」，同一批任务家族内的泛化很可能高估了跨家族的迁移性。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。两个观察哨：这套挖法能不能搬到编码、检索、运维这类有真实验收标准的任务上；以及「共享文档胜过辩论」会不会在模型换代之后翻转。