协调税的另一面
一篇 10 月下旬提交的 arXiv 论文 Multi-Agent Relay Thinking，把多智能体协作的一个老问题换了个解法来讲。它的主张是：用中继式的协作模式，把异构智能体的长处串起来，同时比标准的多智能体 ensemble 减少 token 与协调开销。放到本站近期的脉络里，这篇论文正好是「协调税」那次讨论的另一半——此前有研究把拆给多个智能体的隐性成本算得清清楚楚，这篇则在问：既然拆有代价，有没有一种拓扑能让代价小一点。
所谓中继式协作，和常见的全连接辩论、共享消息总线都不一样。它更像接力：一个智能体干完自己那段，把精炼过的结论交给下一个，而不是所有人同时在线、每步都互相广播。论文要说明的核心是，heterogeneous agent strengths——让擅长检索的、擅长推理的、擅长整合的各自站好位置，通过中继而非齐声讨论来组合优势，从而把沟通和计算的开销压下来。
和此前的几篇是同族，不是同题
近几个月里，多智能体通信与协作的论文不少。有的用异步共享记忆缓冲替代轮流发言，有的用共享消息库做发布与检索，有的把编排权交给一个中心智能体。Relay Thinking 和它们的区别在于切入点：前者不重排通信的载体，而是重排协作的拓扑——不是「怎么传消息」更省，而是「谁交给谁、交什么」更省。这个区分很关键，因为同样的任务，换一种交接方式，token 与延迟的账可能完全不同。
它和协调税那篇也要并读。协调税给出的是闭式成本模型，说明规划到复查的流水线成本可能是单智能体的三倍以上，而解对题并没有变多；Relay Thinking 则提供一种可能的缓解——把协作从「全员在场」变成「按需交接」，减少的是无谓的同步与广播。两者加起来，才是一张完整的图：先看清拆给多个 Agent 会花多少，再选一种花得少的接法。
公开材料有限，结论先别用满
冷水照例。这篇论文目前公开的材料有限，具体的拓扑细节、在哪些任务上收益明显、在哪些任务上反而因为交接次数增加而反噬，都还要等更完整的实验披露。论文里的机制描述与基准，本站以媒体转述与摘要为准，具体数字以论文原文为准。更稳妥的判断是：中继式协作提供了一个值得试的方向，尤其在需要专家子智能体各管一段、且对 token 预算与延迟敏感的场景里；但它不是 flat ensemble 的 universal 替代，是否优于混合模型链，仍要靠同任务上的实测而非直觉。
对工程层面的意思是：当你打算把一个任务拆给多个 Agent，先别默认上「全员辩论」或「共享总线」，也把「中继交接」放进候选。把任务按交接点切成段，让每个子智能体只产出下一步需要的东西，往往比让所有人盯着同一份上下文更省。具体省多少，取决于你的任务能不能被干净地切成可交接的段落。