遞迴多代理系統可省 token

多代理系統現在很常見，但大多還是靠文字來回傳訊。這種做法直觀，卻也很耗 token。每一輪協作都要把資訊說清楚、讀進去、再重寫一次，過程中不只成本上升，原本有用的結構也可能被文字稀釋掉。Recursive Multi-Agent Systems 這篇論文想解的，就是這個痛點。

作者提出的方向不是再多加幾個 agent，而是把整個協作流程改寫成一個遞迴的潛在計算。簡單講，系統不必一直把內部思考翻成自然語言，再讓下一個 agent 讀回去；它可以在 latent space 裡持續修正自己，讓多代理協作變成一個可遞迴、可訓練、也更省 token 的整體流程。

這篇論文在修哪個瓶頸

傳統多代理系統常見的設計，是把多個模型或多個角色串成鏈，或者做成迴圈。這種架構能工作，但代價很明顯：每一步都要產生文字，每一步都要消耗 token。當協作輪次變多時，延遲、冗餘和成本也一起上升。

作者把這個問題看成一種結構性瓶頸。不是單一 agent 不夠強，而是協作層本身太依賴文字。也就是說，系統花了很多 token 在「溝通」，卻不一定把這些 token 轉成更好的推理品質。這正是 RecursiveMAS 想要改掉的地方。

論文的出發點還有一層背景：遞迴語言模型已經證明，反覆在 latent state 上精煉同一個計算，可以成為新的 scaling axis。作者進一步追問，這個概念能不能從單一模型擴展到多代理協作。換句話說，不只是模型本身可以遞迴，多個 agent 的互動也可以被視為一個遞迴計算。

RecursiveMAS 到底怎麼運作

這套框架叫 RecursiveMAS。它的核心不是把 agent 變少，而是把 agent 之間的交換方式換掉。作者把整個多代理系統視為一個統一的遞迴計算，讓各個 agent 在 latent space 裡交換「想法」，而不是一直用完整文字訊息互傳。

中間的關鍵元件叫 RecursiveLink。論文把它描述成一個輕量模組，用來連接異質 agent。它支援兩件事：一是 in-distribution 的 latent thought generation，二是 cross-agent latent state transfer。白話說，就是某個 agent 可以把壓縮過的內部狀態交給另一個 agent，而不需要把整段推理全部寫成文字。

這個設計的重點在於「協作資訊」不再完全依賴自然語言。自然語言適合人看，但不一定適合機器之間高頻交換。RecursiveMAS 想保留協作中的結構資訊，同時減少文字搬運的開銷。對多輪推理、長鏈協作來說，這種差異可能很大。

訓練方式也和一般多代理 pipeline 不太一樣。作者提出一個 inner-outer loop learning algorithm，做的是 iterative whole-system co-optimization。這表示模型不是只各自訓練單一 agent，而是把整個遞迴協作流程一起優化，讓梯度能跨越多個 recursion rounds 做 credit assignment。

這一點對實作很重要。很多多代理系統難在「到底誰貢獻了結果」。如果每個 agent 都只是各說各話，事後很難知道哪一步有用、哪一步只是增加噪音。RecursiveMAS 的思路，是把整個協作 loop 變成可訓練的單一過程，讓系統學會怎麼在每一輪遞迴中修正自己。

論文實際證明了什麼

從摘要來看，作者有做理論分析，也有做實驗。理論部分涵蓋 runtime complexity 和 learning dynamics。摘要的說法是，這些分析顯示 RecursiveMAS 比標準的文字型多代理系統更有效率，而且在遞迴訓練時能維持穩定的 gradients。

實驗部分，作者把 RecursiveMAS 套到四種代表性的 agent 協作模式上，並在九個 benchmark 上測試，範圍涵蓋數學、科學、醫療、搜尋與 code generation。可惜摘要沒有公開完整 benchmark 細節，也沒有列出每個測項的名稱與分數，所以目前只能看到總結性的結果。

摘要給出的重點數字有三個。第一，和進階的 single-agent、multi-agent 以及 recursive computation baselines 相比，RecursiveMAS 的平均準確率提升 8.3%。第二，端到端推論速度提升 1.2× 到 2.4×。第三，token 使用量下降 34.6% 到 75.6%。

這組結果的意義很直接。8.3% 的平均準確率提升，代表它不只是省 token，還真的有把效能做上去。更重要的是 token 節省幅度很大，最低也有三成多，最高接近四分之三。對需要多輪推理、多人協作、或高頻呼叫 agent 的系統來說，這會直接影響成本和延遲。

• 平均準確率提升：8.3%
• 推論速度提升：1.2× 到 2.4×
• token 使用量下降：34.6% 到 75.6%
• 測試範圍：9 個 benchmark
• 涵蓋任務：數學、科學、醫療、搜尋、code generation
• 協作模式：4 種代表性 agent pattern

對開發者代表什麼

如果你在做 agentic system，這篇論文最值得注意的，不只是「遞迴」這個名詞，而是它把協作層當成一個可以優化的核心計算。過去很多團隊會把多代理系統想成 prompt 的堆疊，重點放在角色設計、提示詞和訊息格式。RecursiveMAS 的觀點比較像：協作本身就是模型的一部分，應該用訓練和結構來一起解。

這會帶來幾個實務上的吸引力。首先，token 降低通常意味著成本下降，也可能帶來更低延遲。其次，latent state transfer 有機會保留更多中間結構，不必把每一步都展開成長篇文字。第三，whole-system co-optimization 讓你有機會調的是「整個協作流程」，而不是只調單一 agent 的表現。

對做 orchestration 的團隊來說，這也暗示一種新的介面想像。未來的 agent bus 不一定只傳訊息，也可能傳遞學習過的內部狀態。當然，這種設計是否適合所有場景，還要看更完整的實作與評估，但方向已經很清楚：多代理協作可以不只是文字接龍。

這篇摘要沒說完的事

雖然摘要很有說服力，但它也留下不少空白。首先，沒有完整 benchmark 名單，所以我們不知道九個測試各自是什麼，也看不到每個任務的細節表現。其次，摘要沒有交代模型大小、訓練成本、資料配置，這些都會影響結果能不能複製。

另外，latent space 協作雖然更省 token，但也可能更難觀察。文字型 agent trace 很好 debug，開發者可以直接看每輪說了什麼、哪裡出錯。若協作過程更多藏在內部狀態裡，效率可能上升，但可解釋性和除錯難度也可能一起提高。摘要沒有處理這個問題。

還有一個實際問題是泛化。這篇論文測了數學、科學、醫療、搜尋與 code generation，範圍不算窄，但摘要沒有說它在更長鏈的 planning、工具使用，或更吵雜的真實工作流裡表現如何。這些場景往往才是多代理系統最容易卡住的地方。

即便如此，這篇工作的訊號還是很明確：它把多代理系統的效能瓶頸，從「每個 agent 能不能說得好」推進到「整個協作機制能不能更有效率」。如果完整論文能支撐摘要宣稱的結果，那 RecursiveMAS 可能代表一條很實際的路線——用更少的文字，換更快的推論和更好的整體表現。

對台灣開發者來說，這類研究最有意思的地方，在於它不是只談模型能力，而是直接碰到部署成本。當 agent 系統越來越常進到產品、工具鏈和內部工作流，token、延遲、可訓練性都會變成硬指標。RecursiveMAS 提醒我們，下一波優化不一定只在更大的模型，也可能在更聰明的協作結構。