智能体蜂群与新的模型经济学-光标

我们认为，这正是这种设计能够泛化到诸如构建浏览器、启动数学问题以及优化GPU内核等多种任务的原因。我们也在内部用它来发现并修复开源软件中的漏洞，提升自有代码库的测试覆盖率，并生成了亿代币的合成训练数据。

当单个智能体独自承担一个完整任务时，它必须自行走完整棵树，一路下探到每个叶节点，并且在整个过程中始终在下游中维持其祖先节点、当前位置以及更宏观的目标。

我们认为，这解释了为什么长时间运行的单个智能界面会逐渐跑偏。它们或者专注于眼前的工作，从而对全局的把握；或者努力维持视角全局，却把局部场景做得更差。

在蜂群中，规划器从不负责实现，所以它的上下文不会被底层细节塞满；而工人从不负责规划，因此它可以把所有都上下文投入到每一块具体工作中。

我们相信，智能体蜂群的可扩展性更多来自于这种上下文效率，而不是其本身性。这种效率在蜂群的任何规模下都存在，这也是为什么这种拆分方式面对中等规模的任务，甚至能够提升智能体的性能。

结构在地方也有类似的证明。经济学家罗纳德·科斯在追问企业为何会存在时、提出、成本协调的增长速度快于工作本身，组织因此会由边界明确的单元构成的体系，而不是让所有权与所有权直接沟通。

# 智能体的版本控制系统

在上一篇较早介绍 swarm 的文章中，我们提到过，Git 和 Cargo 这类工具依赖于粗粒度锁并发控制。对于单个开发者来说，这没问题；但对于数百个并发智能体方式的灰度工作量，这种就完全行不通了。

今年早些时候浏览的 Git 上的器群的峰值大约为初始化 1,000 次提交。新系统的峰值则大约达到每秒 1,000 次提交。

为了支撑这样的活动速度，我们从零开始构建了一套新的版本控制系统（VCS）。货物不是我们要掌控出来这一层的唯一原因。系统中的每一次更改都会经过VCS，因此冲突也最先在这里引用；而下面中的一些协调机制，也是直接在这一层内部实现的。

#每秒 1,000 次提交下的故障模式

人类工程团队有一套标准的协作机制，比如代码审查、责任归属、站会和队列队列。这些机制适用于人类的工作节奏，但在群体的工作节奏下，我们会看到一些人类团队平时几乎不会遇到的故障模式。

两个不同的规划器，在代码库的不同部分以不同的方式实现了同一个概念。

我们通过提示解决了这个问题。规划者自己做出设计决策，而不是把这样的决策委派出去；同时，我们还要求他们确保不会让两个被委派的子树去决定相同的问题。

#规划器之间的冲突

一种更为棘手的冲突形式是：两个规划器彼此平等地存在，并围绕同一文件反复修改、相互博弈。

问题在于，双方对现实存在着两种不同的认知，而合并工具无法消除这种缺口。相反，我们让智能体把决策记录在共享的设计文档中。依赖的决策项的代码会附带一个可经验证的校验、并可重复对应文档的引用。当规划器在不知情的情况下相互矛盾时，协调器会合并这些文档，而这些引用解决方案的结果将一路传递到下游。

在群体中，智能体经常会因为同时处理相同的文件而发生冲突。要解决这种冲突，他们必须先停下来，了解另一个智能体的上下文，然后在此基础上完成合并。工人智能体并不擅长处理这种情况，实际上中往往或者覆盖对方的改变，或者放弃自己的改变。

为了解决这个问题，我们创建了一个系统：当出现合并冲突时，由一个中立的第三方智能体介入，并代表双方完成冲突解决。它唯一的目标就是保持公正和高效，就像工程团队中合并队列的配合方式。

有些文件特别容易成为智能体集中处理的对象。每个智能体只需添加少量代码，并且没有任何一个智能体负责让这些文件保持专业。

这些“超大文件”会拖慢一切。它们在传输、比对差异和合并时的成本日益增加，还会不断成为冲突的源头。

为了解决这个问题，我们让工人智能体能够标记肿胀的文件。文件一旦被标记，我们就会阻止新的工作，并由外部智能体将这个过度膨胀的文件分割成更小的模块。

智能体在由参与的现有代码库中人类工作时，已经学会了：即使核心代码确实需要外壳，也不要轻易去碰它。

解决这个问题，我们允许感知引入破坏性变更。如果某些智能体判断对核心部分的原因确实值得，它就可以在自身范围之外布置一个有外部的补丁，并留投入释说明焦点的原因。

编译器将这次变更通知到系统的其余部分，所有依赖旧设计的内容都会构建失败。每个遇到此类错误的智能体都会找到这些注释，理解其中的原因，并更新自己负责的那部分工作以保持一致。

在一个既长时间运行又是多智能体的系统中，错误会不断积累，因此这个群体需要一种机制，在小错误变成演根本性问题之前完成自我修复。

我们试验了许多不同的审查视角，比如给审查智能训练体提供工作者的完整对话记录，或者只提供其输出，或者只提供代码库。我们也尝试过让审查者基于不同的模型运行，接受不同的，并具备不同的“个性”。

任何一种单一视角能发现所有问题，但四周低相关的视角可以升降起来，就像自动驾驶系统依赖并非某个组件完美，但依然能达到人类的可靠性。投入在审查上的力计算回报很大，因为审查的成本远低于它所审查的工作。我们怀疑，这种支撑式审查系统，是这些运行能够持续保持高质量的重要原因之一。

#打造智能体训环境

这些引导是一种让蚂蚁、白蚁等群居生物相互直接沟通，也能和谐配合的。它们塑造环境，而环境又会塑造下一个个体。

在更早的运行中，我们加入了诸如此类的“保留笔记”和“记录决策”之类的规则，因为这些规则看起来显然有益。现在看来，这实际上是在让智能体为未来的自己和地震沉淀知识。

我们又通过一个由智能体自主编写、共享上下文的实验，把这件事向前推进了一步。我们把它称为Field Guide。它是一个完全由智能体管理的文件夹，其中的index.md在启动时会自动填充给智能体每个人。哪些内容进入这份指南是智能体的职责，它们唯一的限制就是行数编制。

该指南背后的逻辑是：模型权重被冻结的，因此真正值得记录的，关注的是那些出乎意料的情况，这样下一个智能体的任务统计可以更短。

现场指南还是一个早期阶段、但已经表现出良好效果的实验。我们前期，在那些并非完全由体掌控的代码库中，它带来的收益会更大。训练模型为他们的后续者写作——在这种情况下，捕捉得不好，奖学金就一个智能——是一个值得继续研究的有趣方向。

#SQLite实验

我们让配备了上述所有改进的新版本 swarm 使用 Rust 实现 SQLite 多达 835 页手册中的全部内容。我们没有向它提供源代码、测试套件、SQLite 二进制文件，也不提供互联网访问权限。

为了快速进展，我们以 sqllogictest 作为评分标准。它是 SQLite 项目构建的一套测试，用于检查不同数据库引擎对相同查询是否返回相同结果。其中包含数百万条已知正确答案的查询，对分组的数据库回答的比例进行评分。进展会在一次运行过程中逐渐上升一条上升的曲线。

我们从未告诉过 swarm 六套测试的存在。每次运行后，我们都会人工审查代码和整个运行过程，检查是否存在作弊或走捷径的情况，并确认系统的构建是均衡推进的，而不是仅仅针对测试会检查到的地方做优化。

在阅读这些曲线时，请记住，智能熟悉自行选择策略。有些会先打下广泛的基础，连续数小时得分降低，从而在后期突然跃升；另一些则先深入某个领域，很快得到抢夺份额，然后补齐其余部分时进入平台期。相比某些具体时刻的准确分数，整体趋势更为重要。

#不同模型组合下的结果

我们测试了四种覆盖不同能力与成本区间的配置：

1. GPT-5.5同时作为规划器和工作者。全程使用强大的前沿模型。2
2. Grok 4.5 同时作为规划器和工作者。这是我们最具成本效益的前沿模型，用作对比基准。
3. Opus 4.8 作为规划器，Composer 2.5 作为工作器。以前沿判断力配置高效执行。
4. Fable 5 作为规划器，Composer 2.5 作为工作者。用于观察次一级规划器是否会让这种混合方案更值得采用，还是不太好。

每个组合中的新框架都超过旧版本。

《神鬼寓言 5》混合方案在第一个小时内通过了大约三分之二的测试集。到了四个小时时，新版运行的结果重复了 73% 到 85% 之间，而旧版运行的范围则从 11% 到 77%。

旧版本的 Grok 4.5 运行在接近两小时时被暂停了（下文详述）。所有新版本配置最终都通过了整个测试集。

未来，我们希望运行规划器与工人组合的完整 N×N 矩阵。就这一轮而言，真正重要的是不同框架版本之间的对比，而最终呈现出的差异行为也远比分数差异所显示的更大。

#深入剖析这些运行

先看最简单的活动指标，我们可以看到Grok 4.5在旧框架和新框架下的提交速率有何变化。旧运行在前两个小时内产生了68,000次作业，速度大约是新运行的70倍。

一种解读是，它的生产效率更高。另一种解读是，这些作业大多只是争吵完成（反复折腾、相互抢、来回解决）。

合并冲突数据更支持后一种解读。旧运行在我们暂停之前的速度累计已超过70000次冲突，而且增长速度仍在加快，并趋于稳定；而新运行在完整的四小时内记录的冲突不到一千次。

冲突主要集中在体量增长最大的文件上。在旧运行中，最大的几个文件在整个运行期间持续膨胀，其中冲突最严重的那个文件累计了7,771次冲突，被1,173个不同的智能体严重过。而在新运行中，整个代码库里争抢最激烈的文件也只出现了47次冲突。

旧蜂群最大的协调失效——脑裂，因此多个规划器重复的工作——体现在包结构上。Rust 代码被称为 crate 的包组织，而在这样的项目里，每个 crate 大致对应一个主要组件。

旧的运行方式扩展到54个crate，其中包括三个相互独立的SQL包。新的运行则很早就稳定在9个crate中，之后就再也没有新增了。

这一切都会最终反映在最终代码库中。在《神鬼寓言 5 mix》中，旧蜂群和新蜂群最终都用了完整套件，但旧蜂群需要 64,305 行引擎代码，而新蜂群只用了 9,908 行。Opus mix 也呈现出同样的趋势：旧蜂群下用了 19,013 行代码，得分为 97%；新框架下则只用了 4,645 行行，得分达到100%。

我们在开头提到过，不同模型组合的质量大致相当，但成本差异却非常大：从 Opus 4.8 混合方案的 1,339，到仅使用 GPT−5.5 的 10,565。代币数据揭示了这种差异的来源。

每次运行的支出结构非常一致：worker 至少承担了 69% 的代币，而该比例中的大多数运行都超过了 90%。

但美元成本的分配与 token 的震动并不一致，因为规划器 token 的成本更高。在 Opus 4.8 与 Composer 2.5 的组合中，规划器的 Opus 只产生了一部分作为很少的 token，但却占据了大约三分之二的成本；而作为worker 的 Composer 处理了大部分 token，却只占据了剩下一半的成本。

在任务中，真正需要前沿智能的阶段性其实并不多，比如最初的任务拆解、设计决策，以及某些权衡取舍。一旦前沿规划器把这种不确定性约束为详细而明确的指令，成本的模型就只需要照着执行。这是成本节约的一个巨大的潜在来源。同时使用GPT-5.5作为规划器和工人的那次运行中，仅工人的成本就高达9,373。而在由Opus4.8负责规划、Composer2.5负责执行的那次运行中，整个worker集群的成本只有411。

还有一个值得注意的细节，可以从这两次混合运行的对比中看出来。《神鬼寓言 5 规划器产生的账单略低于 Opus 4.8 规划器，虽然它的单代币价格大约高出一倍，原因是它使用的规划代币少了倍数。但《神鬼寓言》那次运行中的工人消耗了数倍于先前的代币，因此整次运行的总成本明显。

# 将规格说明默认提示

AI能力的每一次跃升，都提高了工程师可工作的抽象体系。

自动补全让工程师能够按单行代码来工作。早期模型把这个系统提升到了代码块，而智能体则进一步提升到了文件或功能层面。

有了蜂群，工作的基本单位就变成了规格说明。

但要让这套方式行得通，蜂群就必须遵循真正的规格说明，而这也正是论文很大一部分内容的核心。我们给了蜂群835页文字说明，它最后返回了一个数据库。在这次实验中真正稀缺的，以及我们预计未来在软件工程中会持续稀缺的，是对道理的准确描述。

从这个角度来看，蜂群开始有点像编译器。编译器会通过一系列中间步骤，把源代码翻译成机器代码。蜂群对规划做的事情类似。蜂群会先把目标解析成任务树，再一步将其细化为进行的工作。区别在于，编译器在每一步都会保留语义，而蜂群的每一步都是概率性的。论文所描述的一切，都是为了缩小这个差距。

我们邀请您来看看蘑菇群的结构。这次单独的 Opus 4.8 运行生成的代码库已公开发布在 github.com/cursor/minisqlite。根据我们的判断，它看起来很不错，但我们还没有做更深入的人工分析。您也有知识产权看看，并告诉您的发现。

1. 为了让您大致单独运行前沿模型的成本，我们也分别单独运行了 Opus 4.8 和 Fable 5。我们对这些运行结果只做了非线性评估，因此他们的质量做出了结论，不过根据经验，我们预计这两个模型都会有不错的表现。他们的成本在图表中以斜线柱表示。
2. 我们不清楚希望使用GPT-5.6 Sol作为前沿配置。这个新模型似乎比我们测试的其他模型更容易受到字面和强调调整辞的影响，而且我们还遇到了其他模型从未出现过的失控循环。由于发布时间太近，我们没有时间为这个发布的模型调整提示；而如果只为了一个模型调优、其余模型保持，又会比较失准，因此我们转向了GPT-5.5。 ↩