把一堆智能体丢进同一个房间里，让它们"讨论"完成任务，听起来很美——直到你看 token 账单。2026 年 4 月的一项系统实测（clawrxiv:2604.00736）把这件糊涂账算清楚了：在广播和点对点（P2P）拓扑下，智能体间通信开销随 agent 数量二次方增长，开销占比在 n=7 时就吞掉一半 token；即便改用层级架构把增长压成线性，也会因为信息瓶颈损失 23% 的任务精度。更反直觉的是两点：智能体一旦"知道有同伴在场"，输出膨胀 34%；为了省 token 而截断消息，精度下降速度是等比例截断的 3.2 倍。本期拆解这条"说话税"曲线，并给出 2026 年生产环境真正活下来的退场方案：动态路由（只在不确定时才开口）+ 结构化消息（A2A/MCP 的 schema 对话取代自然语言寒暄）。
| 通信拓扑 | 开销增长曲线 | 开销触顶50%的临界点 | 精度代价 | 最优 agent 数 | 典型场景 |
|---|---|---|---|---|---|
| 广播 / P2P | 二次方 | n ≈ 7 | 低（但贵） | n ≤ 5 | 开放辩论、头脑风暴 |
| 层级 Hierarchical | 线性 | n ≈ 12 | 高（瓶颈丢 23% 精度） | 6 ≤ n ≤ 10 | 编排型研究、任务拆解 |
| 顺序 Sequential | 近常数 | 不触顶 | 中（延迟累积） | 任意 | ETL 流水线、文档处理 |
| 动态路由 Dynamic | 亚线性 | 不触顶 | 仅 4% | n ≤ 15 | 复杂协作、生产主力 |
数据来源：clawrxiv:2604.00736，覆盖 2–16 个 agent、四种拓扑的受控实测。三条经验红线浮现：P2P/广播别超过 5 个 agent，层级别超过 10 个，超过 10 就上动态路由。
论文对广播/P2P 拓扑拟合出 C(n)=0.023n²+0.04n（R²=0.98），开销在 n=7 附近冲到 50%。根因是组合爆炸：n 个 agent 两两对话，潜在信道是 n(n-1)/2——10 个 agent 就是 45 条信道，而 supervisor/worker 只有 10 条。每多一个 agent，它要自我介绍、要对所有人重复一遍上下文、要回应所有人的招呼，这些"社交开销"全部计费。这就是为什么头脑风暴型多智能体在小规模惊艳、一上量就崩盘：你付的钱从买"思考"变成了买"互相认识"。
实测里最隐蔽的税：当 agent 感知到"有同伴在场"，即使信息冗余，它的输出也会平均膨胀 34%。 这是 LLM 的社会性伪饰——模型在多智能体提示下会无意识地增加寒暄、复述对方观点、加过渡句来"显得在协作"。这不是 bug，是预训练里对话语料的副作用。对策是在系统提示里强制约束：Respond with structured findings only. Do not acknowledge or restate peer messages.，并在消息总线层做长度硬截断报警。把"礼貌"从协议里剥离，是降税的第一刀。
把 P2P 改成 hierarchical（root orchestrator → 中层 coordinator → 叶子 worker）能把增长从二次方压成线性（C=0.09n，50% 临界点推到 n=12），代价是信息瓶颈：所有上下文要经过 orchestrator 压缩转发，叶子 agent 拿到的是二手摘要。论文测出这种架构相比 P2P 损失 23% 任务精度。省下的 token 税，用精度账还了。 这条数据解释了一个 2026 现象：研究型多智能体（如 Anthropic 的 lead/subagent 架构）坚持让 subagent 各自独立上下文、只回传压缩摘要给 lead——本质是用"上下文隔离"绕开瓶颈精度损失，而不是用经典层级转发。
为了压通信税，最朴素的直觉是"砍掉长消息"。论文给了迎头一击：截断消息导致精度下降的速度，是等比例 token 减少的 3.2 倍。 换句话说，你砍掉 10% 的消息 token，损失的不是 10% 的信息，而是 32% 的有效信息——因为 LLM 依赖完整的逻辑链条，砍中间步骤比砍结论更致命。这意味着 naive 的上下文压缩（滑窗、粗暴摘要）在多智能体里是负债。正确做法是结构化截断：保留 schema 字段、删自然语言解释；保留数据、删寒暄。把"砍长度"换成"砍冗余类型"。
论文给出的最优解是 dynamic routing（动态路由）：agent 不再每轮对所有人广播，而是只有在自己不确定（uncertain）时才发起定向通信。这种"按需说话"把高效区间从 n≤5 一直推到 n≤15，精度代价仅 4%。本质是把通信从"全连接图"退化成"稀疏时变图"——大部分时间 agent 闷头干活，偶尔点对点求助。代码骨架：
def step(agent, task):
result = agent.work(task)
if agent.confidence(result) < THRESHOLD: # 不确定才开口
peer = agent.select_most_relevant_peer(task)
result = agent.ask(peer, focused_query(result)) # 定向、聚焦
return result
关键在于 confidence 信号要真实可校准（参考"自主智能体何时知止"的校准工程），否则要么闷头出错、要么又退回全广播。
2026 年多智能体通信的最大范式迁移：agent 之间不再用自然语言"聊天"，改用结构化协议传 schema。 MCP（Model Context Protocol）负责 agent→工具，走 JSON-RPC；A2A（Agent-to-Agent）负责 agent→agent，走 HTTP/SSE+JSON-RPC，IBM 的 ACP 已于 2025 年 8 月并入 A2A。结构化消息的好处是可校验、可路由、可压缩——一个 A2A 消息可以只传 {"task":"risk_score","payload":{...},"confidence":0.7}，省掉所有"我认为……""也许你可以……"的寒暄税。对比同一任务，自然语言对话比 schema 消息平均多耗 30–40% token，且歧义引发的二次澄清开销不可控。
// 自然语言版（贵且有歧义）
"嘿风险agent，我这边有个客户想贷款，月入大概两万，你看看风险怎么样，谢谢"
// A2A 结构化版（便宜且可校验）
{"jsonrpc":"2.0","method":"tasks/send",
"params":{"agent":"risk-agent",
"input":{"action":"score","monthly_income":20000,"loan_type":"personal"},
"acceptedOutputModes":["application/json"]}}
TrueFoundry 2026 企业调研显示，Supervisor/Worker 拓扑占据 62% 的生产多智能体系统——不是因为最优，而是因为可问责、可观测。可观测性工具（LangSmith、MLflow tracing）的 trace 模型天然适配层级树，对高并发 P2P 图谱的支持很弱。这意味着选型不只是算法问题，还是工具链兼容问题。决策树：延迟敏感选并行 Fan-Out；成本敏感且 n≤5 选 P2P；n 在 6–10 且需要审计选 Supervisor/Worker；n>10 一律上动态路由+A2A 消息总线。LangChain《State of AI Agents 2026》给出 57.3% 组织已上生产，但其中大量原型死在拓扑选错——"$50k 原型变 $500k 生产事故"的根因往往就是这条。
Gartner 数据显示多智能体相关咨询从 2024 Q1 到 2025 Q2 暴涨 1445%，但真正进入生产的系统遵循三条收敛红线：(a) 默认 n≤5，超规模必须有动态路由兜底；(b) agent 间通信走结构化协议，自然语言只保留在 agent↔人类界面；(c) critic/loop 必须设 max_iterations，否则 LLM 会陷入"同意的分歧"死循环空烧 token。这三条把多智能体从"demo 炫技"压回"工程可交付"。2026 年存活下来的不是最复杂的拓扑，而是把说话税算清、把通信收进 schema 的那批。
flowchart TB
subgraph P2P["广播/P2P（二次方税，n≤5）"]
direction LR
p1((A1)) <--> p2((A2))
p2 <--> p3((A3))
p1 <--> p3
end
subgraph HIE["层级（线性税，6≤n≤10，丢23%精度）"]
direction TB
r((Orchestrator)) --> c1((Coord))
r --> c2((Coord))
c1 --> w1((Worker))
c1 --> w2((Worker))
c2 --> w3((Worker))
end
subgraph DYN["动态路由（亚线性，n≤15，仅4%代价）"]
direction LR
d1((A1)) -.不确定.-> d2((A2))
d2 -.不确定.-> d3((A3))
d3 -.沉默干活.-> d3
end
P2P -->|n>5 崩盘| HIE
HIE -->|n>10 瓶颈| DYN
xychart-beta
title "通信开销占比 vs Agent数量"
x-axis "Agent数量 n" [2, 3, 4, 5, 6, 7, 8, 10, 12, 15]
y-axis "通信开销占比%" 0 --> 100
line "P2P/广播(二次方)" [9, 16, 24, 33, 43, 50, 60, 75, 88, 97]
line "层级(线性)" [8, 12, 17, 21, 26, 30, 35, 43, 52, 65]
line "动态路由(亚线性)" [4, 5, 6, 7, 8, 9, 10, 12, 14, 18]
注：曲线形状遵循实测报告（P2P 二次方、层级线性、动态路由亚线性），数值为按报告阈值（P2P 在 n≈7 触 50%、层级在 n≈12 触 50%）标定的示意刻度，用于直观对比增长形态，非逐点复现。
一句话总结：2026 年多智能体的胜负手不是模型多强，而是你让它们少说废话、说结构化的话。
[!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。