企业部署多智能体系统时，通常采用两种组织方式。一种是让多个模型各自给出完整答案，再通过投票或辩论收敛到多数意见；另一种是把问题拆成预设的子任务，用路由或图优化分配给不同智能体。
这两种方式在流程可预测的场景中运转良好，但遇到无法提前拆解的复杂问题时就会失效——没有任何一个模型掌握完整答案，而有用的分解方式本身也是未知的。
斯坦福大学、Together AI和埃默里大学的研究人员提出的Self-Organizing Agent Teams（SAT）框架，针对的正是这一缺口。
它的做法不是增加智能体数量，也不是让模型在运行时临时招募新成员，而是让一个固定名单的异构模型团队从过去的协作记录中学习可复用的团队策略，学会如何审计和修复彼此的推理步骤。
策略是一套对话计划，而不是问题拆解方案
SAT把每一种协作策略表示为一个结构化的对话计划。策略定义整个团队的协作规范、每个智能体承担的持久角色，以及有序的讨论阶段；每个阶段规定参与者、交换轮数、遵循的指令，以及信息是在局部保留还是向全队摘要。关键的一点是，这些策略从不规定如何拆解具体问题，而是搭建一个让分工在模型相互检验和修正彼此想法的过程中自然浮现的对话结构。
训练分为离线反思、策略库构建和测试时部署三个阶段。离线阶段从一套默认策略开始——各模型独立作答、两轮辩论、多数投票——在一个很小的训练集上运行（例如15道数学题或25道研究生级别科学题），由训练准确率最高的模型担任“优化者”，在最多六轮进化中审视过去的对话记录，诊断团队失败的原因，并重写策略中的角色、阶段和综合规则。构建策略库时，SAT设置了两道防泄漏机制：一个单独的模型实例审计每一条候选策略，过滤掉编码了具体答案或解题套路的版本；任何解决了训练题的策略还会被放到五道验证探针上测试，只有能泛化的策略才被冻结入库，最终保留最多10条互补策略。
测试时，这10条策略原封不动地应用于未见问题，每条产生一份可逐步检查的推理“证书”，再由一个评审模型从中选出最终答案。
数学基准上的关键差距
在数学和物理基准上，SAT的异构团队（o3-mini、Claude Sonnet 4、DeepSeek-V3）平均准确率达到66.7%，高于计算量匹配的单模型线性化对照（58.7%）、Mixture of Agents（57.3%）、自一致性（55.4%）和辩论（52.7%）。在AIME 2026上，SAT达到71.2%，比团队中最强的单个模型高出29个百分点，也比一个“完美路由器”高出13.4个百分点——后者是一个假设性的上界，它能在任何一个智能体独立解出问题时总是选中那个正确答案。
这个对比的意义在于：SAT不是在“挑选”已有的正确答案，而是在协作中生成单个模型无法独立到达的推理。论文中举了一个HMMT 2026的例子：o3-mini提供了正确的数学不变量和因式分解方法，但数错了素因子个数；DeepSeek-V3发现并纠正了这一错误；Claude Sonnet 4审计更新后的计算并综合出正确答案。
但SAT并非在所有领域都保持同样的优势。在知识和逻辑类基准上，SAT的平均准确率（72.8%）仅略微超过单模型线性化（72.1%），且落后于路由oracle（79.6%）。论文的分析指出，SAT在87.9%的知识与逻辑问题上至少生成了一份正确证书，但评审模型在“从多份证书中挑出正确那一份”上成为了新的瓶颈。这一发现对实践者的含义是：协作机制能提升正确推理的产出概率，但最终答案的选择环节仍然需要单独设计。
克隆同一个模型，反而更差
SAT的实验还直接回应了此前关于“AI集群税”的讨论：当计算预算持平时，单智能体往往能匹配甚至超过复杂的多智能体系统，因为智能体之间的消息传递消耗额外token，并可能稀释上下文。
SAT的同质团队对照证实了这一点：三个相同的o3-mini副本执行SAT学到的策略，平均准确率降至56.0%，低于计算量匹配的单个o3-mini（58.7%）。
模型多样性是SAT产生增益的前提，单纯把同一个模型复制成多智能体流程，仍然是在浪费计算。
企业落地的两条约束
论文没有公开官方代码库，但附录提供了完整的工程蓝图：20条已学习策略的提示词、角色定义和阶段规则，以及评审模型的两阶段系统提示，工程团队可以直接在自有编排框架中实现。
对于打算自建多智能体系统的企业，研究给出了两条可直接操作的指引。第一，在离线反思阶段对模型身份做匿名化处理，让系统根据观察到的行为优势而非品牌偏好来分配角色。第二，把推理计算量与任务的可验证性匹配：完整的10策略多轮组合适合高风险、高可验证性的场景（如自动化漏洞分析或形式化系统设计），日常流程则可以只适配一到两条有针对性的审计策略。
这一思路与近期其他框架的方向形成呼应。MANTA让多智能体系统在任务执行过程中修订协作拓扑，通过基于追踪的审计和针对性结构修复来应对初始组织不足的情况；Co-Sight则把验证重新表述为“冲突识别与定向证伪”，只在专家智能体之间存在分歧的热点处分配计算，而不是对整条推理链做全量核查。SAT与它们的共同判断是：多智能体系统的可靠性不取决于智能体数量，而取决于协作框架本身是否被当作一个可学习、可审计的对象。
（素材来自：斯坦福大学 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。