行动-状态通信：优化多智能体系统通信效率的论文方案

行动-状态通信：来自 arXiv 的一项新研究，聚焦多智能体系统如何降低通信成本

多智能体系统（multiple agents，即多个AI代理协作完成任务的系统）在运行中会频繁交换信息，但“说什么”和“怎么说”往往缺少约束，导致大量无效的上下文占用和token消耗。近日，一篇题为《What Should Agents Say? Action-state Communication for Efficient Multi-Agent Sys》的论文（arXiv:2606.05304v1）专门研究了这个问题，并提出了一种名为“行动-状态通信”的方案，旨在优化智能体之间的沟通效率。

问题：自由文本通信让成本失控

当前基于大语言模型的多智能体系统通常围绕角色、流水线和轮次调度来组织，但智能体之间传递的内容往往是无约束的自然语言。这种自由格式的通信会快速膨胀token用量，挤占共享上下文窗口（即所有智能体共同使用的临时记忆空间），最终影响系统性能和推理成本。论文以两种常见的多智能体系统拓扑结构（即智能体的连接与协作方式）为基础，分析了五种常见的智能体间通信策略。

发现：没有通用的最优策略

研究得出的一个关键结论是，没有任何一种固定的通信策略在所有场景下都是最优的。这意味着，开发者不能简单套用一种模板，而是需要根据具体的任务类型和系统结构来调整智能体说话的方式。论文提出的“行动-状态通信”方案正是针对这一痛点：它将通信内容限定为与代理当前动作和系统状态直接相关的信息，而不是让智能体随意发散交流。

方案核心：让智能体只传递关键动作与状态

具体来说，“行动-状态通信”包含两个维度：行动指智能体准备执行的具体步骤，状态指执行后系统环境的变化或结果。当每个智能体只报告“我接下来要做什么”和“做完之后是什么情况”，而不是描述推理过程、背景知识或无关评论时，通信的冗余信息大幅减少。这种方法的意义在于，它能直接降低共享上下文的负担，让系统在有限的token预算下承载更多有效协作。

适用场景与后续方向

该方案特别适合那些对推理成本敏感或上下文窗口十分有限的多智能体应用，例如复杂任务的流水线式分工或高密度信息处理的协作系统。论文虽然给出了策略对比和优化思路，但并未提供一套开箱即用的预设方案。对于开发者来说，这意味着需要在具体部署前对不同策略（行动-状态通信与另外四种基线策略）进行测试，以找到最适合自身业务场景的配置。

从更广的视角看，这项研究的价值在于把“说什么”这个被长期忽视的环节拉回了优化视野。多智能体系统的效率不仅取决于更强的模型，也取决于它们之间如何高效地“对话”。