11 月 11 日提交的 arXiv 2611.15521 换了个角度问多智能体协作，作者是 Jiali Cheng、Oleg Rokhlenko、Joo-Kyung Kim、Hadi Amiri 与 Xingzhi Guo 五人。论文出发点在个人智能体多起来之后，中心化系统通常靠一个全局编排器调度，它看得到所有智能体、资源与通信记录，规模一大就同时碰到扩展与隐私两处麻烦。去中心化环境里没有这份全局视野，智能体得自己去找不在本地的工具与技能，还要拉上别的智能体把任务做完。
实验设成图约束通信，每个智能体只观察得到自己的局部状态，也只能和图上相邻的节点说话，这是照着人类组织的样子搭的。配套基准是合成的可扩展分布式工具调用，工具数超过 10 万。作者要测的是，在这种看不见全貌的条件下，智能体还能不能找着散落在别处的相关资源，并且把协作谈成。
结论偏负面。近期的 LLM 智能体在去中心化设定下难以发现非本地的相关资源，协作也做不起来；作者接着试了标准强化学习，仍无法稳定补上这个短板，论文由此判断，即便换用当前表现靠前的模型，去中心化多智能体仍需要更显式的挽具机制。这条判断把责任从模型能力挪到了系统设计上。
给出的基线叫 GraphHarness，把拓扑感知的热身和会自我改进的 LLM 路由合在一起。摘要报告任务成功率提高 48.5、协作质量提高 30.6，成本一项记为改善 34.0，都相对基线而言。三个数没有标单位，也没有写清是绝对百分点、相对百分比还是某个评分上的增量，成本一项尤其难判断方向，直接读成省下三成开销并不稳妥。
把可见性单列成变量，是这条工作与常见编排设计拉开的地方。中心式方案默认有个能看全的角色，协调开销多花在怎么分工与怎么复核，这篇里连谁能看见谁、消息沿哪条边走都成了要设计的东西。摘要没给的还有 10 万工具的具体分布、图的类型与节点规模、被测模型型号、基线的构成，以及强化学习那组实验的训练配置与失败判据。