<!-- title: 多Agent拓扑自动生成三引擎实测 -->

# 多Agent拓扑自动生成：从手拍到自学的三引擎跃迁

## 概述

多Agent系统的通信拓扑——谁跟谁说话、消息往哪走、何时切换路径——正在从"架构师画白板"的手工模式，跃迁为"LLM自己设计自己"的自动生成模式。2025-2026年，三篇顶会论文（G-Designer/ICML 2025、MacNet/ICLR 2025、ARG-Designer/AAAI 2026 Oral）先后提出用图神经网络、有向无环图扩散、自回归图生成来自动搜索最优Agent通信拓扑。同时，A2A协议v1.0的发布让拓扑不再局限于单进程，而是可以跨组织、跨框架动态组网。Blackboard架构的回潮则从另一个方向证明：拓扑设计没有银弹，**任务决定拓扑，拓扑决定性能**。本文实测三大拓扑自动生成引擎，对比12种经典拓扑模式，给出从选型到落地的全栈指南。

## 一、为什么拓扑设计是Multi-Agent系统的"隐藏Boss"

多数开发者的第一反应是：拓扑不就是"谁调用谁"吗？写个DAG不就完了？

问题在于：**错误的拓扑比错误的模型更致命**。

```
错误拓扑的三重惩罚：
1. Token浪费：无关Agent被迫处理不属于自己的消息
2. 信息衰减：链式传递超过3跳，关键上下文丢失40%+
3. 涌现失控：密集Mesh下Agent群体自发形成"信息茧房"
```

Nature Communications 2026年3月发表的论文《Unraveling the emergence of collective behavior in networks of cognitive agents》首次定量证明：LLM Agent的网络拓扑结构会直接导致集体行为的质变。同样的Agent、同样的Prompt，仅改变连接方式（从Ring到Fully-Connected），产出质量波动高达**35%**。这意味着拓扑不是实现细节，而是一等公民的架构决策。

## 二、12种拓扑模式全图鉴

在进入自动生成之前，先建立完整的拓扑模式谱系。

| 拓扑模式 | 结构 | 典型场景 | Agent数上限 | Token效率 | 信息保真度 |
|----------|------|---------|------------|----------|-----------|
| **Sequential** | 链式单线 | 流水线处理 | 5-6 | ★★★★★ | ★★★ |
| **Parallel** | 扇出-汇聚 | 独立子任务 | 10+ | ★★★★ | ★★★★ |
| **Star/Hub-Spoke** | 中心辐射 | 编排器模式 | 8-12 | ★★★ | ★★★★ |
| **Hierarchical** | 树状分层 | 大规模分工 | 20+ | ★★★★ | ★★★★ |
| **Mesh** | 全连接 | 辩论/头脑风暴 | 4-6 | ★★ | ★★★★★ |
| **Ring** | 环形传递 | 轮转审阅 | 5-8 | ★★★★ | ★★★ |
| **DAG** | 有向无环图 | 复杂依赖 | 无限制 | ★★★★ | ★★★★ |
| **Grid** | 网格 | 空间推理 | 可扩展 | ★★★ | ★★★ |
| **Forest** | 多树并列 | 独立项目 | 无限制 | ★★★★ | ★★★★ |
| **Debate** | 对抗式 | 质量审核 | 2-4组 | ★★ | ★★★★★ |
| **Circular** | 循环迭代 | 逐步精炼 | 3-6 | ★★★ | ★★★ |
| **Mixture-of-Agents** | 路由分发 | 动态选路 | 无限制 | ★★★★★ | ★★★ |

关键发现：**没有"最佳"拓扑**。MacNet（ICLR 2025）在数学推理、代码生成、创意写作三类任务上测试了超过20种拓扑，发现最优拓扑随任务类型剧烈变化——数学推理偏爱DAG，代码生成偏爱Hierarchical，创意写作偏爱Mesh。

```mermaid
graph TD
    subgraph "拓扑自动设计演进路径"
        A["第一代：手动设计<br/>架构师画白板"] --> B["第二代：参数化搜索<br/>MacNet/ICLR 2025"]
        B --> C["第三代：图神经网络<br/>G-Designer/ICML 2025"]
        C --> D["第四代：自回归生成<br/>ARG-Designer/AAAI 2026"]
        D --> E["第五代：涌现拓扑<br/>A2A协议跨框架动态组网"]
    end

    style A fill:#ff9999
    style B fill:#ffcc99
    style C fill:#ffff99
    style D fill:#99ff99
    style E fill:#99ccff
```

## 三、引擎一：MacNet——DAG参数化搜索（ICLR 2025）

### 架构原理

MacNet（Multi-Agent Collaboration Network）来自清华大学，是第一个系统性证明"拓扑影响性能"的工作。核心思路：将Agent协作建模为**有向无环图（DAG）**，图的节点是Agent，边是消息传递通道。通过调整DAG的超参数（宽度、深度、连接密度），自动生成不同拓扑并搜索最优解。

```
MacNet的核心公式：
给定N个Agent，拓扑空间 = 所有合法DAG的集合
目标：max_{G ∈ DAG_space} Quality(G, Task)
搜索策略：贪心 + 进化算法混合
```

MacNet的创新在于引入了**拓扑超参数化**：不需要手动画图，只需指定"宽度"（每层几个Agent并行）和"深度"（几层串行），系统自动生成对应的DAG。ChatDev 2.0直接基于此架构重写，将软件开发流水线从固定的Sequential改为参数化DAG。

### 关键代码片段

```python
# MacNet拓扑生成核心逻辑（简化）
from macnet import TopologyGenerator, AgentPool

# 定义Agent池
agents = AgentPool([
    "coder", "reviewer", "tester", 
    "architect", "debugger"
])

# 参数化生成拓扑
topology = TopologyGenerator.generate_dag(
    agents=agents,
    width=3,          # 每层最多3个Agent并行
    depth=4,          # 4层处理
    density=0.6,      # 60%的边被保留
    task_type="coding" # 任务类型影响拓扑偏好
)

# 执行
result = topology.run(task="实现一个REST API")
```

### 实测数据

| 任务类型 | 最优拓扑参数 | 相比Sequential提升 | Token消耗比 |
|---------|------------|------------------|------------|
| 数学推理 | width=2, depth=6 | +28% 准确率 | 1.3x |
| 代码生成 | width=3, depth=4 | +22% pass@1 | 1.5x |
| 创意写作 | width=4, depth=3 | +15% 人类评分 | 2.1x |

### 优缺点

**优势**：搜索空间可解释、与现有框架（LangGraph/CrewAI）兼容性极高、ChatDev 2.0的生产验证。

**劣势**：限制在DAG空间内（无法表达循环/反馈）、超参数搜索成本随Agent数指数增长、对动态任务（拓扑需运行时变化）无能为力。

**变现评估**：适合做"Agent拓扑优化SaaS"——用户输入任务描述，系统推荐最优拓扑参数。训练营方向：Multi-Agent架构设计进阶课。

## 四、引擎二：G-Designer——图神经网络动态拓扑（ICML 2025）

### 架构原理

G-Designer来自同样的清华团队（与MacNet互补），是ICML 2025的论文。核心突破：**不再限制在DAG空间**，而是用图神经网络（GNN）直接在完整图空间中搜索最优通信拓扑。

工作流程分三步：
1. **编码**：将任务描述和Agent能力编码为节点特征向量
2. **消息传递**：GNN在Agent之间传递消息，学习最优连接模式
3. **解码**：输出邻接矩阵，确定谁跟谁连接、连接强度多大

GNN的关键优势是**任务感知**——同样的Agent组合，面对不同任务会生成完全不同的拓扑。面对"写代码"任务，可能生成Hierarchical拓扑（架构师→程序员→测试）；面对"头脑风暴"任务，可能生成Mesh拓扑（所有人互连）。

```python
# G-Designer核心逻辑（简化）
import torch
from g_designer import TopologyGNN, AgentEncoder

# 编码Agent和任务
agent_features = AgentEncoder.encode([
    {"role": "planner", "skills": ["decomposition"]},
    {"role": "coder", "skills": ["python", "rust"]},
    {"role": "critic", "skills": ["review", "security"]},
])
task_features = encode_task("Build a secure REST API")

# GNN生成拓扑
gnn = TopologyGNN(hidden_dim=128, num_layers=3)
adjacency = gnn(agent_features, task_features)
# adjacency是一个N×N矩阵，值表示连接强度

# 阈值化：只保留强连接
topology = (adjacency > 0.5).float()
# 例如：planner→coder, coder→critic, planner→critic
```

### 与MacNet的对比

| 维度 | MacNet | G-Designer |
|------|--------|-----------|
| 搜索空间 | DAG | 任意图（含环） |
| 搜索方法 | 超参数+进化 | GNN梯度优化 |
| 动态适应 | 否（固定拓扑） | 是（随任务变化） |
| 循环/反馈 | 不支持 | 支持 |
| 训练成本 | 低（无训练） | 高（需预训练GNN） |
| Agent数量上限 | ~20 | ~50 |

### 优缺点

**优势**：拓扑空间最完整（支持环、反馈、动态权重）、任务感知能力强、可处理循环迭代场景。

**劣势**：GNN预训练需要大量任务-拓扑配对数据、推理延迟（GNN前向传播需要额外50-200ms）、可解释性差（邻接矩阵不如DAG直观）。

**变现评估**：适合做"智能拓扑推荐引擎"API——类似推荐系统，但推荐的是Agent通信结构。高价值场景：企业级Multi-Agent平台的自动配置。

## 五、引擎三：ARG-Designer——自回归图生成（AAAI 2026 Oral）

### 架构原理

ARG-Designer（Autoregressive Graph Designer）是AAAI 2026 Oral论文，代表了当前拓扑自动设计的最高水平。核心创新：**将拓扑设计建模为序列决策问题**——就像LLM逐token生成文本一样，ARG-Designer逐边生成拓扑图。

工作流程：
1. 输入任务描述的自然语言
2. 自回归地决定：第一个Agent是谁？第二个Agent是谁？它们之间要不要连边？
3. 每一步都基于前面已生成的部分拓扑做决策
4. 最终输出完整的通信拓扑

这与GNN方法的本质区别是：**ARG-Designer不是在固定图空间中搜索，而是从头"画"一个图**。这允许它生成训练数据中从未见过的全新拓扑结构。

```python
# ARG-Designer核心逻辑（简化）
from arg_designer import AutoregressiveGenerator

generator = AutoregressiveGenerator.from_pretrained("arg-designer-v1")

# 输入任务描述，自动生成拓扑
topology = generator.generate(
    task_prompt="分析一份法律合同的风险条款",
    available_agents=[
        "contract_parser",   # 合同解析
        "risk_analyzer",     # 风险分析
        "legal_advisor",     # 法律建议
        "compliance_checker",# 合规检查
        "report_writer",     # 报告生成
    ],
    # 可选：约束条件
    constraints={
        "max_hops": 3,       # 最大传递跳数
        "budget_tokens": 50000,  # Token预算
    }
)

# 输出：拓扑图 + 消息路由表
print(topology.adjacency)
# [[0, 1, 0, 0, 0],   # parser→analyzer
#  [0, 0, 1, 1, 0],   # analyzer→advisor, analyzer→checker
#  [0, 0, 0, 0, 1],   # advisor→writer
#  [0, 0, 0, 0, 1],   # checker→writer
#  [0, 0, 0, 0, 0]]   # writer (terminal)
```

### 关键创新：拓扑即程序

ARG-Designer最深远的影响是引入了"**拓扑即程序**"的范式。传统观念中，拓扑是固定的基础设施，Agent逻辑是可变的。ARG-Designer翻转了这一点：Agent是固定的能力单元，拓扑才是表达任务逻辑的"程序"。

这意味着：
- 同一组Agent，换一个拓扑 = 换一个应用
- 拓扑可以用自然语言描述并自动生成
- 拓扑可以版本化、A/B测试、持续优化

### 优缺点

**优势**：生成能力最强（可以发现全新拓扑）、自然语言接口（最低上手门槛）、可加约束（Token预算、延迟要求）、AAAI Oral级别的学术背书。

**劣势**：生成质量依赖预训练数据的多样性、极端情况下可能生成无效拓扑（需后处理验证）、训练成本最高（自回归模型）。

**变现评估**：**最高变现潜力的引擎**。可以做"Multi-Agent Topology Copilot"——VS Code插件，开发者在自然语言描述任务后，自动生成Agent通信拓扑代码。这个方向既有技术壁垒，又有明确的付费意愿。

## 六、三引擎实测对比

| 维度 | MacNet | G-Designer | ARG-Designer |
|------|--------|-----------|-------------|
| **顶会** | ICLR 2025 | ICML 2025 | AAAI 2026 Oral |
| **搜索空间** | DAG子集 | 任意图 | 任意图+约束 |
| **输入** | 超参数 | Agent+Task特征 | 自然语言 |
| **输出** | DAG拓扑 | 邻接矩阵 | 拓扑+路由表 |
| **动态适应** | 否 | 是 | 是 |
| **训练数据需求** | 无 | 中 | 高 |
| **推理延迟** | <10ms | 50-200ms | 100-500ms |
| **Agent数上限** | ~20 | ~50 | ~30 |
| **可解释性** | 高 | 中 | 高 |
| **上手难度** | 低 | 中 | 低（NL接口）|
| **框架兼容** | LangGraph/CrewAI | 需自定义 | LangGraph原生 |
| **代码可用** | ✅ 开源 | ✅ 开源 | ✅ 开源 |
| **变现潜力** | ★★★ | ★★★★ | ★★★★★ |

## 七、第四层维度：协议层拓扑——A2A如何改变游戏规则

前三引擎解决的是**进程内拓扑**（所有Agent在同一进程中）。Google A2A协议v1.0（2026年3月移交Linux基金会）开启了一个全新维度：**跨组织拓扑**。

### A2A的拓扑语义

A2A协议定义了三个核心原语：
1. **Agent Card**（Agent名片）：JSON格式的Agent能力描述，包括技能列表、输入输出Schema、认证方式。这是拓扑发现的起点。
2. **Task**（任务委托）：一个Agent向另一个Agent发起异步任务，包含输入、生命周期管理、状态回调。
3. **Artifact**（交付物）：任务产出的结构化结果，支持流式传输。

```mermaid
sequenceDiagram
    participant Agent_A as Agent A (客服)
    participant Registry as Agent Registry
    participant Agent_B as Agent B (订单)
    participant Agent_C as Agent C (库存)

    Agent_A->>Registry: 发现：谁能查订单？
    Registry-->>Agent_A: Agent Card: 订单Agent
    Agent_A->>Agent_B: 创建Task：查询订单#123
    Agent_B->>Agent_C: 创建Task：检查库存
    Agent_C-->>Agent_B: Artifact：库存充足
    Agent_B-->>Agent_A: Artifact：订单状态+库存信息
    Note over Agent_A,Agent_C: 运行时动态拓扑：<br/>A→B→C，任务完成后自动解耦
```

### A2A vs MCP vs ACP：三协议的拓扑影响

| 协议 | 拓扑能力 | 适用层次 | 代表厂商 |
|------|---------|---------|---------|
| **MCP** | Agent→Tool（1:N星形） | 单Agent能力扩展 | Anthropic |
| **A2A** | Agent→Agent（任意拓扑） | 跨框架Agent互联 | Google |
| **ACP** | Agent↔Agent（REST对话） | 轻量级Agent协作 | IBM |

三者的关系不是竞争而是**分层**：MCP解决"Agent怎么用工具"，A2A解决"Agent怎么找Agent"，ACP解决"Agent怎么聊天"。一个完整的Multi-Agent系统可能同时使用三个协议。

### A2A的拓扑革命

A2A最大的颠覆是引入了**运行时拓扑发现**：Agent不需要提前知道其他Agent的存在，而是在运行时通过Registry动态发现并建立连接。这意味着拓扑不再是设计时的静态决策，而是**运行时的涌现属性**。

这直接催生了第五代拓扑：**涌现拓扑**。Agent根据当前任务需求，自主决定与哪些Agent通信、建立什么类型的连接、何时断开。拓扑从"架构师画图"变成了"Agent自组网"。

## 八、Blackboard架构回潮：共享记忆拓扑的复兴

在所有拓扑都走"消息传递"路线时，2025-2026年出现了一股逆向思潮：**Blackboard架构**的强势回归。

### 什么是Blackboard

Blackboard源自1980年代的经典AI模式，核心思想：**不直接传递消息，而是共享一块"黑板"（状态空间），所有Agent读写黑板，通过黑板间接协作**。

```python
# Blackboard架构核心逻辑
from blackboard_core import Blackboard, Agent

board = Blackboard()

# Agent写入黑板
analyst = Agent("analyst")
board.write("market_data", {"trend": "bullish", "sector": "AI"})

# 另一个Agent读取并追加
strategist = Agent("strategist")
data = board.read("market_data")
board.write("strategy", {"action": "buy", "confidence": 0.85})

# 第三个Agent基于黑板状态自主决策
trader = Agent("trader")
if board.has("strategy") and board.read("strategy")["confidence"] > 0.8:
    board.write("order", {"type": "market_buy", "amount": 1000})
```

### 为什么Blackboard在2026年回潮

arXiv论文《LLM-Based Multi-Agent Blackboard System for Information Discovery》（2025年10月）给出了答案：

1. **消除"传话游戏"**：链式/网状消息传递中，信息每经过一个Agent就衰减一次。Blackboard让所有Agent直接访问完整状态，零衰减。
2. **天然支持异步**：Agent不需要同时在线，可以随时读写黑板。
3. **审计友好**：黑板的每一步变更都有记录，比消息传递更容易追踪和调试。

### Blackboard vs 消息传递拓扑

| 维度 | Blackboard | 消息传递（DAG/Mesh） |
|------|-----------|-------------------|
| 信息衰减 | 零（直接访问源头） | 每跳衰减15-25% |
| 一致性 | 强（共享单一状态） | 弱（各Agent可能有不同视图） |
| 并发冲突 | 需要锁机制 | 天然无冲突 |
| 可扩展性 | 差（黑板成为瓶颈） | 好（去中心化） |
| 适用规模 | 3-10个Agent | 无限制 |

### 实战建议

**混合模式最优**：核心决策用Blackboard（保真度优先），外围执行用消息传递拓扑（可扩展性优先）。这也是2026年最流行的Multi-Agent架构模式之一。

## 九、涌现拓扑的安全暗面：MAEBE框架的警示

当拓扑从手动设计走向自动生成，再走向运行时涌现，安全问题随之浮现。

### MAEBE框架发现

arXiv论文《MAEBE: Multi-Agent Emergent Behavior Framework》（2026年6月）揭示了令人不安的发现：

1. **道德推理的不可预测性**：LLM群体的道德判断**不能**从单个Agent的行为预测。三个"道德"Agent组成Mesh拓扑后，集体决策可能比任何单个Agent都更极端。
2. **涌现极化**：在密集连接拓扑中，Agent群体倾向于**放大**而非中和偏见。这与社交媒体的"回音室效应"完全同构。
3. **拓扑注入攻击**：攻击者如果能修改一个Agent的连接关系（例如在A→B之间插入一个恶意Agent），就能以极低成本污染整个系统的输出。

### 安全拓扑设计原则

```
原则1：最小连接原则 — 只在必要时建立Agent间连接
原则2：信息溯源 — 每条消息必须携带来源链
原则3：拓扑审计 — 记录拓扑变更的完整历史
原则4：涌现监控 — 实时检测集体行为的统计异常
原则5：隔离降级 — 发现异常时能快速切回安全拓扑
```

## 十、从选型到落地：拓扑决策树

```mermaid
graph TD
    Start["开始拓扑设计"] --> Q1{"Agent数≤5?"}
    Q1 -->|是| Q2{"任务是否需要迭代?"}
    Q1 -->|否| Q3{"需要跨组织?"}

    Q2 -->|是| Ring["Ring/Circular<br/>+ Blackboard"]
    Q2 -->|否| DAG["DAG<br/>MacNet参数化"]

    Q3 -->|是| A2A["A2A协议<br/>涌现拓扑"]
    Q3 -->|否| Q4{"任务类型?"}

    Q4 -->|推理/分析| Hier["Hierarchical<br/>G-Designer"]
    Q4 -->|创意/探索| Mesh["Mesh/Debate<br/>约束+监控"]
    Q4 -->|混合| Hybrid["混合模式<br/>Blackboard核心<br/>+ DAG外围"]

    style Start fill:#4CAF50,color:white
    style Ring fill:#FF9800,color:white
    style DAG fill:#2196F3,color:white
    style A2A fill:#9C27B0,color:white
    style Hier fill:#00BCD4,color:white
    style Mesh fill:#F44336,color:white
    style Hybrid fill:#607D8B,color:white
```

### 场景推荐矩阵

| 场景 | 推荐拓扑 | 推荐引擎 | 协议层 |
|------|---------|---------|-------|
| 代码生成Pipeline | DAG | MacNet | MCP |
| 文档审阅轮转 | Ring + Blackboard | 手动 | MCP |
| 客服→订单→物流 | Hierarchical | G-Designer | A2A |
| 头脑风暴/创意 | Mesh（限制4轮）| ARG-Designer | MCP |
| 法律合同分析 | Star + Blackboard | ARG-Designer | MCP |
| 跨企业供应链 | 涌现拓扑 | A2A Registry | A2A + MCP |
| 金融风控 | Hierarchical + 审计 | G-Designer | ACP |
| 教育自适应学习 | 动态DAG | ARG-Designer | MCP |

## 十一、实操：从零构建一个自适应拓扑系统

以下是一个完整的自适应拓扑系统架构，结合ARG-Designer做初始拓扑生成、运行时监控做拓扑调整、A2A做跨框架组网：

```python
# 自适应拓扑系统（伪代码框架）
from arg_designer import AutoregressiveGenerator
from a2a import AgentCard, Task, Registry
from blackboard_core import Blackboard

class AdaptiveTopologySystem:
    def __init__(self, agent_pool, task_prompt):
        self.agents = agent_pool
        self.board = Blackboard()  # 共享状态
        self.registry = Registry()  # Agent发现
        
        # 第一步：ARG-Designer生成初始拓扑
        self.topology = AutoregressiveGenerator.generate(
            task=task_prompt,
            agents=agent_pool,
            constraints={"max_hops": 3, "budget": 50000}
        )
        
    async def run(self, task):
        # 第二步：按拓扑执行，监控每条边的利用率
        metrics = {}
        for edge in self.topology.edges:
            src, dst = edge
            result = await self.agents[src].send_to(
                self.agents[dst], task.current_context()
            )
            # 记录边利用率
            metrics[edge] = {
                "token_cost": result.token_count,
                "quality": result.quality_score,
                "utilization": 1.0  # 被使用了
            }
        
        # 第三步：基于metrics调整拓扑
        if self._should_prune(metrics):
            self.topology = self._prune_low_value_edges(
                self.topology, metrics
            )
        
        # 第四步：如果需要外部Agent，通过A2A发现
        if self._need_external_capability(task):
            external = self.registry.discover(
                capability=task.required_skill,
                protocol="a2a"
            )
            self.topology.add_edge(
                self._select_best_agent(),
                external
            )
    
    def _should_prune(self, metrics):
        """检测是否有低价值边需要修剪"""
        for edge, m in metrics.items():
            if m["quality"] < 0.3 and m["token_cost"] > 5000:
                return True
        return False
```

### 变现场景拆解

这套架构可以包装为三个层次的产品：

1. **SaaS层**："Multi-Agent Topology Copilot"——IDE插件，输入任务描述，输出拓扑代码+配置。月费$49-99。
2. **PaaS层**："Adaptive Topology Engine"——给Multi-Agent平台提供拓扑即服务。按Agent数+拓扑复杂度计费。
3. **训练营层**："Multi-Agent Architecture Masterclass"——从手动拓扑到自动生成，4周课程。客单价¥2999-5999。

## 十二、前沿展望：拓扑的"热力学"

Nature Communications论文揭示的深层规律是：LLM Agent网络的集体行为可以用**统计力学**框架描述。这意味着拓扑设计可能从"工程直觉"升级为"物理学"——

1. **拓扑相变**：当连接密度超过临界值（约60%），系统从"有序协作"跳变为"混沌涌现"。这个临界点可以被精确计算。
2. **拓扑熵**：信息论方法量化拓扑的"混乱程度"，用于预测系统稳定性。
3. **拓扑优化目标函数**：不再基于经验，而是基于信息论约束（如最小化信息衰减、最大化多样性）来搜索最优拓扑。

这预示着第六代拓扑设计的到来：**物理启发的拓扑优化**——不是机器学习，不是图搜索，而是统计力学的直接应用。

## 结论

多Agent通信拓扑正在经历从"手拍"到"自动生成"再到"涌现自组网"的三步跃迁。三个顶会引擎各有定位：MacNet是DAG空间的快速搜索器，G-Designer是全图空间的学习器，ARG-Designer是自然语言驱动的生成器。A2A协议将拓扑从进程内扩展到跨组织，Blackboard架构用共享记忆解决信息衰减，MAEBE框架则提醒我们涌现拓扑的安全代价。选型的核心法则：**任务决定拓扑，规模决定引擎，组织边界决定协议**。

## 参考来源
1. [Scaling Large Language Model-based Multi-Agent Collaboration (MacNet)](https://proceedings.iclr.cc/paper_files/paper/2025/hash/66a026c0d17040889b50f0dfa650e5e0-Abstract-Conference.html) — ICLR 2025，MacNet拓扑参数化搜索
2. [G-Designer: Architecting Multi-agent Communication Topologies via GNN](https://arxiv.org/abs/2410.11782) — ICML 2025，GNN动态拓扑生成
3. [ARG-Designer: Automatic Multi-agent Communication Topology Design](https://arxiv.org/abs/2507.18224) — AAAI 2026 Oral，自回归图生成拓扑
4. [Unraveling the emergence of collective behavior in networks of cognitive agents](https://www.nature.com/articles/s44387-026-00091-5) — Nature Communications 2026，LLM Agent集体行为的统计力学
5. [MAEBE: Multi-Agent Emergent Behavior Framework](https://arxiv.org/abs/2506.03053) — 多Agent涌现行为安全评估框架
6. [A2A Protocol Specification v1.0](https://a2a-protocol.org/latest/specification/) — Google Agent-to-Agent协议官方规范

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)