AgentFugue：通过集体推理实现长程任务的智能体扩展

近期长程智能体任务的进展主要依赖于通过更强模型、更好工具及更有效支架来扩展单个智能体。相比之下，关于“横向扩展”的研究较少，即多个针对同一任务的对等智能体能否在不依赖明确角色分工或工作流编排的情况下成为额外的能力来源。本文研究了这一问题并提出 AgentFugue，这是一种围绕共享推理枢纽构建的集体推理框架。当对等智能体并行探索同一任务时，该枢纽记录各智能体已确立、尝试或排除的内容摘要，并使每个智能体能以适用于当前搜索的形式选择性访问其他智能体的发现。该设计将原本孤立的轨迹转化为可复用的中间推理连接生态，无需集中式规划。我们在具有挑战性的长程设置中实例化了该枢纽，并通过监督微调和端到端强化学习进行训练。结果表明，AgentFugue 优于强基线，证明集体推理可将多智能体系统的横向扩展转化为独特的能力提升来源。