并行带来收益：面向多智能体编码的内聚感知任务划分

多智能体大语言模型系统虽能通过并行化分解复杂编码任务，但引入了通信开销。本文将多智能体编排形式化为图划分问题，以平衡计算与通信代价。提出的 Co-Coder 系统利用静态分析构建依赖图，隔离枢纽文件，通过社区检测划分任务，并采用依赖感知调度器执行。实验表明，该方法在提升通过率、加速执行及降低 API 成本方面显著优于现有基线，证明了内聚感知编排在多智能体系统中的高效性。