原始来源日期:2026年10月6日。本文依据最近72小时内发布的一手资料编译。

原文编译

论文从一个反常现象出发:复杂任务分给多个Agent理论上应接近线性加速,现实系统却经常比单Agent更慢。作者把损失分成重探索成本和对齐成本,前者是工作者重新理解编排器已有上下文,后者是合并独立输出的冲突。

其判断准则是,只有并行层的关键路径成本加上重探索与对齐开销,小于对应串行成本时才值得分叉。虽然概念上应用墙钟时间,作者发现LLM估时校准较差,于是改用预测输出Token作为成本代理。

SquidAgent在一次规划中估算Token预算,工作者直接从编排器会话分叉以继承上下文,并在执行前生成共享约定块,把事后开放式协调变成有界的前置成本。确定性调度器再逐层决定并行或串行。

论文报告相对Claude Code平均吞吐提升2.2倍、墙钟加速2.6倍,相对最强多Agent基线吞吐提升2.0倍。结果来自作者任务与基础设施,API限流、缓存、工具串行锁和任务依赖都会改变收益。

量仔观察

本站认为,并行Agent规划不能只数子任务数量,应显式标记共享状态、写冲突和验收接口。上下文完全相同但目标互斥的工作可并行;需要连续修改同一文件或同一外部状态的步骤通常不适合。

Token是比主观时间更稳定的代理,但仍不是完整成本。生产调度还要纳入工具队列、网络延迟、失败重试和最终审查负担,并用实际轨迹更新估计,而不是把论文倍数作为固定容量规划。