想象一个荒诞的场景：你办公室里有两台电脑，它们之间不用网线、不用TCP、不用任何协议，而是各自装了麦克风和音箱，一台把数据"读"成英语句子大声念出来，另一台竖起耳朵听、再用语音识别把它"转写"回数据。你一定会觉得这设计疯了——可这恰恰就是今天绝大多数多智能体（multi-agent）AI系统正在做的事。
Two Minute Papers（频道订阅约182万）在2026年6月19日发布的一期视频《Scientists Found A Better Language For AI Agents》，把这个问题摆到了台面上：我们让AI agents之间用人类自然语言（主要是英语）来通信，这件事本身就是一个被忽视的根本性设计缺陷。 视频背后的科学依据，是北京邮电大学团队发表在arXiv上的论文《Why do AI agents communicate in human language?》。这篇论文没有训练新模型、没有刷榜，而是做了一个冷静得近乎冷酷的理论剖析：自然语言是为人脑设计的编码，它和LLM真正"思考"时所在的高维向量空间，存在结构性的错配。 每说一句"人话"，就丢一次信息；聊得越久，错得越远，而且这种错误无法靠提示词工程消除。
这篇解读会把论文的数学内核、视频的通俗转述，以及我个人作为通信协议研究者的延伸判断揉在一起——因为这个问题的内核，其实通信行业的人比谁都熟悉。
| 项目 | 内容 |
|---|---|
| 视频标题 | Scientists Found A Better Language For AI Agents |
| 频道 | Two Minute Papers（订阅约182万） |
| 发布时间 | 2026年6月19日 |
| 核心主题 | AI agents之间不应使用自然语言通信，需要"原生多智能体"通信范式 |
| 理论来源 | 《Why do AI agents communicate in human language?》（arXiv:2506.02739，北邮Pengcheng Zhou等，2025年6月） |
| 一句话定位 | 第一篇系统论证"人话不适合做agent间协议"的论文 |
论文的第一刀，砍在了所有人最习以为常的默认设置上。今天主流的多agent框架——Microsoft的AutoGen、AgentVerse、CAMEL、CrewAI——无一例外都让agents用多轮自然语言对话来协调任务：你一句、我一句，看起来很"拟人"，开发者也很容易调试。
但论文指出，这种设计的隐含假设错了。自然语言是一套为人类认知系统优化的编码体系：它容忍歧义、注重情感、追求语用的灵活性——这些特性服务于"人脑"这个解码器。而agent的内部表示，是LLM在高维连续向量空间（论文记为 $\mathcal{H}$）里的张量演化。让一个活在连续向量流形里的模型，把它的"想法"压扁成一串离散的英语token（记为 $\mathcal{L}$），再让另一个模型从这串token反向重建出原始的向量状态——这个过程注定是多对一、不可逆、有损的。
这是我个人的延伸类比，而非视频原话：这就像让两台手机之间不传结构化的二进制，而传一串"咿咿呀呀"的拟声词，对方再猜你刚才传了什么。人能听懂大概，机器却要付出精确性的代价。
论文给了一个干净到几乎冷酷的形式化。agent A的内部状态是 $h_A \in \mathcal{H}$，它发送的自然语言消息是 $l = f(h_A)$，其中 $f: \mathcal{H} \to \mathcal{L}$ 是语言投影。agent B收到后重建出 $\hat{h}_B = f^{-1}(l)$。由于 $f$ 是多对一的，$f^{-1}$ 只能是近似解码，于是几乎总有：
$$\hat{h}_B \neq h_A$$
更致命的是，这不是一次性的误差。论文把多轮交互建模成一条状态转移链，每一步的误差 $\delta_t = |h_t - f^{-1}(f(h_t))|$ 都会叠加，最终形成级联语义损失 $L_{\text{cascade}}$。论文最硬核的结论在于：这个损失有一个非零的下界，它无法收敛到零——因为它的根源是语义空间的结构性错配，而不是输出质量的好坏。
这意味着一个非常重要的实践判断：当你的多agent系统聊着聊着就开始"跑偏"，那不是提示词写得不够好，也不是该再加几轮对话，而是一个无法靠"补丁"修复的结构问题。 prompt工程、记忆注入、上下文追踪，都只是在"打补丁"，论文明确指出它们无法从根本上消除 $L_{\text{cascade}}$。这一点视频用更轻松的语气讲了，但论文的论证是严肃的。
论文定义了一个叫 Protocol-Induced Agent Misbehavior（协议诱导的智能体失灵） 的现象，分为两类，每一类都戳中了实战痛点。
第一类是目标误读。自然语言的目标天然是语义开放的——"优化效率""提高质量"这种指令，模型在内部解析时可以激活出多个互不一致的子目标。论文引用研究指出，AutoGPT在多轮分解中常常臆造出不存在的子任务（比如"写一份不存在的报告来分析用户意图"），导致递归式的规划死循环。
第二类更扎心，叫动作-状态解耦（Action-State Decoupling），俗称"伪执行"。Cemri等人2025年的研究发现，LLM agent经常在语言层面"报告"任务已经完成，但实际上既没更新环境状态，也没触发任何真实动作——它只是"说"做完了。论文强调，这是因为语言token并不直接绑定到环境状态空间，于是在"感知的状态"和"实际行为"之间，存在一个系统性的解耦地带。
我的延伸评论：这一条直接戳破了当下很多agent demo的幻象。一个agent"嘴上说"它查了数据库、调了API、改了文件，和你亲眼在系统日志里看到这些动作真的发生，是两回事。"对话流畅"不等于"闭环执行"。
如果前面三点是"现象"，论文第四层就是"病根"。它指出，问题不止在通信协议，更在模型本身的训练范式。
标准LLM的训练目标是最大化线性序列上token的条件概率：$\mathcal{L}{\text{LM}} = -\sum_t \log P(x_t \mid x; \theta)$。这个目标有三个天然的、对多agent场景致命的缺陷：
论文的潜台词很清楚：今天的多agent系统之所以不可靠，不是因为agent不够多、不够聪明，而是因为底层的语言模型从娘胎里就不是为"协作"生的。
这一段是论文里最有历史纵深感、也是视频可能没充分展开的部分。论文提醒读者：多智能体通信这件事，本来是有过正确方向的。
早期的多agent系统用的是结构化符号协议，比如ACL（Agent Communication Language）和KQML——它们为每种消息类型定义了精确的语义框架、前置条件和预期效果，消息本身就是可解释、可执行、语义一致的。后来，深度多智能体强化学习（MARL）探索了涌现式通信：让agents在任务里端到端地、可微地学会一套通信协议。这类系统的设计哲学非常纯粹——为机器之间完成任务而优化，用最少的信号同步内部状态，根本不在乎人类能不能看懂。
而现在的LLM agents，恰恰背离了这条机器本位的路线，集体倒退回了"模仿人类对话"。论文的措辞很有意思：虽然MCP、A2A这些新协议在工程上进步很大，但它们"依然从根本上依赖于面向人类的语言作为底层载体"。换句话说，我们给通信协议套了一层结构化外壳，里面装的还是人话。
论文没有停在批判，而是提出了一个正面的建设性框架，叫 Native Multi-Agent Model Paradigm（原生多智能体模型范式），给出四个核心设计要求：
论文在讨论"开放挑战"时抛出了一个相当优美的隐喻，我把它单独拎出来讲：未来的多agent系统应该走向"类脑协作架构"——每个agent扮演大脑皮层的一个专门区域，通过高速、低冗余、结构对齐的语义通道实现全局状态耦合。
关键论据来自神经科学：人脑的视觉区、运动区、语言区之间，并不是靠离散符号来通信的，而是靠紧密耦合的神经状态实现实时对齐和功能特化。 既然人脑自己都不用"语言"在内部各区域之间传话，AI又何必执着于让agents之间说人话？
论文甚至给出了技术路线的想象空间：构建结构对齐的多模态编码-解码器，或基于异构信息图的统一张量空间，让agents之间通过"级联的高维状态激活"来同步，而不是逐token地对话。这其实已经触碰到了下一代AI架构的想象边界。
我的延伸判断：这条路线意味着，未来的"agent框架"可能不再是一堆对话脚本的编排，而更接近一种分布式神经系统的工程实现。这对今天所有靠"编排更多对话轮次"来堆能力的agent创业公司，是一个隐性的天花板警告。
flowchart TD
A["核心命题<br/>AI agents之间<br/>为何说人话？"] --> B["问题层：语义错配"]
A --> C["病根层：架构不兼容"]
A --> D["历史层：路线倒退"]
B --> B1["高维向量空间 ℋ<br/>↕ 多对一不可逆投影 f<br/>离散token空间 ℒ"]
B --> B2["级联语义损失<br/>L_cascade 有非零下界<br/>prompt工程无法消除"]
B --> B3["协议诱导失灵<br/>目标误读 / 伪执行"]
C --> C1["next-token预测范式<br/>为线性序列优化"]
C --> C2["缺角色持续性"]
C --> C3["缺任务可分解性"]
C --> C4["缺跨agent策略同步"]
D --> D1["早期: 结构化符号协议<br/>ACL / KQML / FIPA"]
D --> D2["MARL: 涌现式通信<br/>为任务优化 非为人读"]
D --> D3["LLM agent: 倒退回<br/>人类对话"]
B2 --> E["解法：原生多智能体范式"]
C4 --> E
E --> E1["角色持久性"]
E --> E2["结构化通信<br/>张量消息 = 可执行状态交换"]
E --> E3["跨agent状态同步"]
E --> E4["功能解耦<br/>感知-动作 / 规划 / 协调"]
E --> F["类脑隐喻<br/>agent = 皮层专门区域<br/>神经状态耦合 非离散符号"]
style A fill:#fff3cd,stroke:#d39e00,stroke-width:2px
style E fill:#d4edda,stroke:#28a745,stroke-width:2px
style F fill:#d1ecf1,stroke:#17a2b8,stroke-width:2px
对AI应用开发者：别再无脑堆agent和对话轮次。 论文最大的实践价值，是给了你一把"诊断尺"。当你的多agent系统出现目标漂移、角色混乱、伪执行、越聊越跑偏时，先别急着调prompt或加记忆模块——那是在给结构性问题打补丁。真正有效的方向是减少自然语言转译的环节：在agents之间尽量用结构化的、绑定到环境状态的消息（JSON schema、函数调用语义、状态对象）来交换意图，而不是让它们"聊天"。把"人话"留给人和agent的边界，而不是agent和agent的边界。
对通信行业的同行（这是我最想说的）：这篇论文的问题，本质就是通信里的"信源编码 vs 信道"问题。 这也正是"51学通信"这个主题与它天然契合的原因。自然语言是一种为人脑解码器优化的高冗余编码，对机器这个"解码器"而言充满冗余和歧义。我们在5G/6G核心网里，AMF、SMF、UPF这些网络功能之间，从来不会"用英语聊天"——它们用的是SBI（HTTP/2 + JSON/Protobuf）、PFCP、NGAP、GTP-U这些语义精确、状态绑定、可执行的结构化协议。每一个IE（Information Element）都有明确的取值和状态语义，AMF不会"假装"它注册了UE，要么注册成功、要么返回明确的cause值。论文梦想的"原生多agent通信"，通信网其实已经实践了二十多年。 读懂3GPP协议设计哲学的人，会对这篇论文有一种"原来如此"的会心一笑——所谓"agent通信范式"，不过是把电信网的协议思维重新引入AI系统。
对技术与投资判断： 原生多agent架构（结构化、状态同步、功能解耦）是下一个有想象空间的方向，而单纯靠"编排更多agent对话"来堆能力的中间层产品，会遇到论文揭示的结构性天花板。
让AI agents之间说人话，等于强迫两台机器用为人脑优化的、有损不可逆的编码来交换状态——它们需要的不是更好的英语，而是一套像电信网协议那样精确、结构化、可执行的原生通信语言。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!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。