EvoTeam：让多智能体系统协作越协作越好

完成100个任务后，一个多智能体系统应该比完成第一个任务时成长多少？如果第101个任务到来时，系统仍需重新摸索分工，反复出现相同的信息交接问题，那么过去的任务只是增加了执行次数，并未让团队真正成长。

某联合研究团队提出的EvoTeam方案，正是要解决这一问题：让进化从单个智能体延伸到整个团队，使系统从“会协作”走向“越协作越好”。

一、持续工作，不等于持续进化

科研任务通常包含问题分析、方案设计、代码实现、实验验证和结果整合等环节。单个智能体独立承担全部环节，需要频繁切换职责并管理大量上下文；多智能体系统则通过专业分工、并行执行和相互核验，整合不同智能体的能力。

但多个智能体参与，并不自动等于高效团队。固定角色若不能随任务调整，成员能力若不能沉淀，交接遗漏若反复出现，协作规模越大，组织成本反而越突出。因此，多智能体系统的下一步，不只是让每个智能体更强，还要让团队组织与协作方式持续进化。

二、EvoTeam同时进化三个层次

EvoTeam将系统成长拆为相互关联的三个层次：

• 智能体技能（个体专业能力）：智能体从历史轨迹与任务反馈中积累可复用技能，在自己的职能方向上持续提升执行质量。
• 智能体团队（团队协作架构）：随着任务需求与成员能力变化，系统调整候选成员和职责分工，让合适的智能体组成合适的团队。
• 交互规则（信息交接规则）：团队从成功与失败中明确该向谁传递什么信息、提供哪些证据、完成何种验证，避免同类协作问题重复发生。

三个层次并非严格先后发生：个体能力增长会推动分工调整，团队变化会产生新的交接需求，交互暴露的问题也会反过来指导技能更新。个体成长由此转化为整个协作体系的成长。

三、团队成为经验积累与复用的载体

EvoTeam维护全局智能体池和可持续更新的团队库，并通过三个阶段形成闭环：面对新任务时，先分析专业角色与协作要求，从团队库中选择或组建候选团队，实现自适应智能体团队组建；执行过程中，对应团队积累的交互规则指导信息交换与任务交接，也就是团队范围内协作，规则按团队独立维护；任务结束后，系统依据轨迹与反馈开展多层面经验进化：更新个体技能，反思团队配置，并创建、修订或保留交互规则。

其中，技能可跨团队复用，成员配置与交互规则归属具体团队，在协作需求相容的任务中持续积累。团队不再是一次性编排，而成为可复用、可进化的经验载体。

四、跨基准，团队也能继续成长

案例研究从某基准的钱包地址校验重构开始，系统建立由分析、实现和验证角色组成的团队，分别负责对应工作。随后，团队复用到其他基准的接口适配、异常处理及其他重构任务，持续积累相关规则。第三个任务完成后，新增整合角色以支持更广泛的跨组件整合。过去任务不再只是历史记录，而是直接改善下一次组队与协作。

五、实验验证：协作进化带来实际增益

研究在多个基准上覆盖六项指标，并将不同基准交错成连续任务流，检验异构环境中的持续进化能力。混合任务设置下，EvoTeam六项指标均取得最高分，平均分达到59.58，相比对比方法的55.55提高4.03分。

消融实验进一步拆分了收益来源：完整系统得分最高，移除交互规则后得分下降，进一步移除可复用团队后得分继续降低，说明团队组织与交互规则都提供了实际贡献。

研究还使用不同模型分别承担进化与评测，跨模型与同模型进化的差距均不超过4.00分，展现出协作经验的跨模型迁移潜力。