固定的通信图会留下缺口
多智能体系统搭起来的时候，谁读谁的输出通常是事先画好的。这张图画完就固定了，而任务是多变的：某个智能体检索到的证据，可能永远到不了真正需要它的那个节点，答案于是不完整或者出错。
直观的解法是补一条边，把证据送过去。但这一步有两个结果：可能补上了缺口，也可能让接收者接受了上游一个本来错误的结论，把原本正确的答案挤掉。只看两次运行的最终答案，分不出这两种情形——它们长得一模一样。
arXiv 2610.40186 提出的 SPLICE，正是冲着这个分叉来的。名字是 Selective Probing and Link Insertion for Closing information gaps in multi-agent Execution 的缩写，做法分三步。
先加边，再决定信不信
头一步是照原样跑一遍固定工作流，拿到查询与各节点输出。第二步是定位可能存在的信息缺口，加一条从源节点指向接收者的有向边，重跑接收者与受影响的下游节点，得到一个候选答案。第三步才算关键：决定要不要采纳这个候选答案。
这个采纳决策读两类信号。一类是两次运行的最终答案本身，另一类是这次编辑在工作流内部造成的过程变化：接收者的输出移动了多远、新增内容的来源是哪、这个改动有没有传递到最终答案。选择器用这些过程特征训练，输出是采纳候选还是保留原答案。
把「加边」和「采纳」拆开，是这个方法的实质。多数拓扑优化工作默认改动拓扑就等于改动答案，等于把两个失败点合成一个：一旦上游有错，加边就是引错入室。SPLICE 允许系统把证据接进来，然后拒绝它。
收益与代价写在一起
论文给的账很清楚：在五个基准上，Web 工具使用的任务分数相对静态骨架提升 8.0%，四个推理与规划基准的平均分提升 5.7%，代价是 1.25 到 1.44 倍的开销。另外，选择器对四个未见过的骨干模型可以零样本迁移。
1.25 到 1.44 倍这个区间值得留意。它意味着这个方法不是免费的：定位缺口、加边、重跑下游，每一步都要花推理预算。对延迟敏感或者按调用量计费的场景，这个倍数决定了它能不能上线。论文没有给出更细的分项成本，以及在不同基准上的开销分布，这部分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。
和同族做法怎么区分
本站此前记录过几条相近的路线。一条是共享消息库：智能体把结果发布到公共介质，按内容检索或按地址取用，引用数被当成质量代理，消息可以比生产者更长寿。另一条是异步共享记忆缓冲：用一块缓冲替代同步轮流发言，由编排器按题目分量决定谁说、说多少。还有一条是免训练的通信路由，逐句逐个接收者地取消冗余，每条证据最多送达一次。
这三条的共同点是在通信机制上做文章——改的是信息怎么流动。SPLICE 改的是另一处：它保留原工作流的通信结构，只在事后做一次有条件的、可撤销的修补，并且把采纳判断建立在过程特征而非结果文本上。换句话说，前几条是让信息流得更顺，这一条是让系统在补充信息之后还能自己说不。
还有一点差别值得点出：SPLICE 的定位是按查询做的。它不是给工作流换一副更好的骨架，而是承认同一个骨架在不同题目上会露出不同的洞，然后逐题补。这个思路对已经有一套跑着的生产工作流、不方便整体重搭的团队来说，改动面要小得多。
要留的三分余地
限制同样要写在前面。重跑下游节点意味着成本上升，且上升幅度随工作流深度变化，上界 1.44 倍是在论文的实验设置里测到的，换到更深的图上未必成立。选择器依赖过程特征，而这些特征的可迁移性只在四个未见骨干上验证过，跨任务族的表现没有数据。此外，五个基准上的提升幅度并不一致，Web 工具使用的 8.0% 与推理规划基准的 5.7% 之间如何取舍，取决于业务侧更看重哪一类。
还有一个更根本的问题：这个方法只处理「证据没送到」这类缺口。多智能体系统的失败还有别的形式——上游结论本身就是错的、任务分解从一开始就偏了、某个节点重复消耗预算。对这些，补一条边帮不上忙，反而可能把错误传播得更远。
但方向是对的。过去两年多智能体研究的大量精力花在让智能体多说、说得更好；这一份工作提醒的是，同样重要的是让系统学会在听到新东西之后仍然坚持原来的判断。