把草稿留在抽屉里：一块白板如何让 AI 团队学会协作

把草稿留在抽屉里：一块白板如何让 AI 团队学会协作

——Muffin：异步智能体的共享记忆缓冲区 · 记忆管理学三部曲之一

🏢 一、先想象一间会议室

老板抛出一个难题，把五个人叫进会议室。

第一种开法，是大多数公司熟悉的那种：轮流发言。张三从头讲他的完整思路，五分钟；李四接着讲他的完整思路，又五分钟；王五讲的时候，必须先把张三和李四说的每一个字重新读一遍，才能开口。一轮下来半小时，如果还要"参考上一轮所有人的意见再补充一轮"，一小时就没了。更要命的是，每个人都在大声输出自己的全部思考——包括那些还没想清楚的部分、那些说着说着自己推翻自己的部分、那些其实和别人完全重复的部分。

第二种开法，quiet 得多：五个人各自回工位干活，门口立着一块白板。谁有了确定的进展，就写一张便利贴贴上去："第三步的积分区间我算出来了，是 [0, 1/2]。"别人的便利贴你可以随时去看，但你只挑和白板上最近几条相关的看。至于你自己草稿纸上那些涂涂改改、画了又划的过程——那是你的私人物品，不出抽屉。

一个显而易见的事实是：第二种开法几乎在所有维度上都更便宜、更快，而且往往更准。但奇怪的是，过去两三年里，AI 研究者们给大语言模型组建"团队"时，默认选择的却是第一种。

这就是多智能体辩论（multi-agent debate）的世界：多个 AI 实例围坐在一张看不见的会议桌前，同步地轮流发言，每个人发言时都能看到其他所有人的完整输出。这套范式在 2023 年前后被提出时曾经很性感——"让 AI 们互相辩论，就像让一群聪明人吵架，真理越辩越明"。

但现实很快就泼了冷水。论文作者在引言里指出了一个尴尬的现象：在目标驱动的推理任务上，单智能体和多智能体系统往往表现持平。多加的 agent 没带来加成，只带来了账单。作者把病根诊断得很直接：失败往往不是发生在"思考"环节，而是发生在 agent 之间的关键信息交换上。

既然问题出在交流，那就好好研究交流。这篇论文的名字叫 Muffin——Memory bUFFer INference 的缩写，即"共享记忆缓冲区推理"。它说：多智能体辩论的两个默认设定——同步轮流、全轨迹共享——都是错的。该异步，该只交换"发现"而不是"全部思考"。

结果？在 4 个推理基准、4 个开源模型的 20 组评测中，Muffin 拿下 17 组最佳，剩下 3 组第二。在逐步分析中，它比多智能体辩论准确率高出 19.2 个点，同时少用 77.4% 的 token。

便利贴赢了。我们看看它是怎么赢的。

🧭 二、背景：多智能体辩论的承诺与卡壳

先把基础概念铺好。

大语言模型（LLM）是一个会"续写文本"的系统：你给它一段文字，它基于训练中学到的统计规律，接着往下写。这种朴素的续写能力，通过"思维链"（chain-of-thought）技巧——即让模型"一步步推理，把中间过程写出来"——可以被放大成相当强的推理能力。

但单个模型有天花板。于是多智能体辩论登场：既然一个模型会犯错，那就叫来好几个，让它们互相看对方的答案和推理，挑出毛病、修正自己，循环几轮，最后投票或汇总。理论上，错误应该在这种交锋中被淘汰。

这套思路隐含了两个几乎没人质疑的默认设定：

默认一：同步轮流。 系统里有一个全局的"轮次"概念，agent 们像打回合制桌游一样，你方唱罢我登场。任何时刻，整个团队的速度被最慢的那个成员拖住。

默认二：全轨迹共享。 每个 agent 发言时，把它此刻的全部输出——包括完整的思维链——推给所有其他人。看得越多，理应越好。

Muffin 对这两个默认逐一开火。同步轮流意味着大量的空等；全轨迹共享则意味着每个人都在噪声里捞信号——别人的整个草稿本都塞给你，真正有用的那半页纸反而被淹没了。

论文摘要里有一句话说得极准：失败往往源于 agent 交互与协调过程中关键信息的低效交换。注意这个词——"低效交换"。不是交换得不够，而是交换得不对。信息的价值不等于信息的数量，这是整篇论文最锋利的一把刀。后面我们会看到，作者专门做了一个实验，用数字把这句话钉死。

🧁 三、Muffin：配方表上的三个角色

Muffin 的系统由三个角色构成：调度员（Orchestrator）、共享记忆缓冲区（Shared Memory Buffer）、总结员（Summarizer）。我们一个一个看。

#### 🗂️ 调度员：先分诊，再决定要不要兴师动众

不是每个问题都值得开一个五人会议。问"1+1 等于几"，把人从工位上叫起来围成一圈，是对注意力的浪费。

Muffin 的调度员接到用户提问 x 后，先生成一份"推理计划"：一个路由决策 z（直接单 agent 回答，还是开启多 agent 协作），以及——如果选择后者——为每个 agent 分配的角色 r_i、互不重叠的子任务 τ_i，外加一份协作协议 ρ。协议规定什么信息该共享（比如批评、警告）、什么只留在本地、以及新发现能否触发其他 agent 的响应。

这个设计借鉴了医院的分诊台：感冒发烧直接开药，疑似重症才召集会诊。简单问题走 direct 路线，一次调用直接出答案，连缓冲区和总结员都不惊动。

协作协议 ρ 是三样东西里最容易被忽略的，但它其实是这个系统的"公司章程"。协议要规定：什么类型的信息该共享（是中间结论？是批评？还是警告？）；什么只允许留在 agent 的本地推理空间；以及——这一条很妙——新发现是否可以触发其他 agent 的响应式步骤。也就是说，白板不只是被动地被看，某些便利贴的出现可以合法地把别人"拉"过来处理。

#### 📌 共享记忆缓冲区：那块只贴便利贴的白板

这是全文的心脏。

缓冲区是一个 append-only（只追加） 的数据结构：任何已有数据不可修改，唯一允许的操作是添加新条目。每条记录包含三样东西：来源 agent、它的发现（finding）、以及产生这条发现的步骤编号。

只追加带来一个工程学上极漂亮的性质：没有写冲突，也不需要锁。谁都不用等谁，贴上就完事。在多智能体系统里，并发写入通常是最让人头疼的部分，而 append-only 把这个麻烦从根上拆了。熟悉分布式系统的读者会在这里会心一笑——这是事件溯源（event sourcing）和 CRDT 数据结构的老智慧：当所有操作都是不可变事件的追加时，一致性问题是天然不存在的。Muffin 把一个数据库设计原则，搬进了 AI 的会议室。

检索规则更克制：每个 agent 看白板时，只能看其他 agent 贡献的最近 k 条发现，自己的便利贴会被自动跳过——反正你自己写的东西你本来就知道。这里藏着一个重要的分布式系统直觉：在异步环境里，"谁看到了什么"必须定义清楚。论文给出的可见性条件是：agent i 在第 t 步提交的发现，只有当它提交的时刻早于 agent j 第 t′ 步开始生成的时刻，并且排进最近 k 条之内，才会被 j 看到。

这就是异步的真义：没有全局轮次索引。每个 agent 一完成上一步，立刻开始下一步，不等任何人。整个系统的延迟基本由各自的生成本身决定，而在一个 agent 埋头生成的这段时间里，其他 agent 还在持续地往白板上贴、从白板上读。对比辩论范式里那种"击鼓传花"式的等待，这是从回合制跳到了自由跑。

现在看每个 agent 在每一步到底输出什么。答案是结构化的五件套：

• SUMMARY：这一步的简要推理摘要；
• SHARE_FINDING：一条可选的、给其他 agent 用的发现——也可以留空；
• LOCAL_NOTES：只给自己看的本地笔记；
• ANSWER_CHOICE：当前的答案候选，或者"还没定"；
• ANSWER_REASON：一句话理由。

协作协议里还有几条值得原样转述的规矩：独立工作；分享简洁的发现；回答前检查白板上的发现；采纳前先验证；如果用了或拒绝了一条别人的发现，在摘要里简要提一句来源；不要暴露私有的思维链；如果被指派为"挑刺 agent"（critical agent），就去挑战假设、矛盾和过度自信的断言。

那个挑刺角色尤其妙——每个团队都需要一个专门唱反调的人。会议室里这是种社交负担，在白板系统里，这只是一条协议规则。

#### ✍️ 总结员：只看答卷、不下场做题的评委

最后一步，总结员出场。它吃什么？只吃三样：各 agent 的最后消息摘要、agent 的元信息、原始问题。

它不被允许做什么？论文写得明白：不要重新解题，不要引入新假设，不要在 agent 输出不支持的情况下选择某个答案。它被指示把候选摘要当作"证据"而非"结论"来对待——引用原文的说法，是"以候选摘要为证据，而非完全信任它"。

为什么要这样设计？因为让汇总者重新做题，等于在流程的最后凭空多加了一个解题者——它会引入自己的偏见，还可能推翻 agent 们已经辛苦收敛出来的共识。总结员应该是评委，不是参赛选手。这个克制在实验里有实打实的回报：在 OlymMATH-Easy 上，引入总结员让成绩从 44.9% 一步跳到 59.2%。

📊 四、数字说话

故事讲完了，该让数据上场。所有数字均来自论文原文。

实验在 4 个推理基准上进行，涵盖 MATH、OlymMATH-Easy、OlymMATH-Hard 等，配 4 个开源模型（含 gemma-4-E4B-it 等）。Table 1 给出总体成绩：20 组评测中 17 组最佳，剩下 3 组第二。对照最强基线，Muffin 平均提升 4.4 个准确率点，其中 OlymMATH-E 提升 11.8 个点，OlymMATH-H 提升 2.6 个点。

OlymMATH-E 和 OlymMATH-H 差距悬殊这件事本身就有信息量：任务越留有"多步协作推理"的空间，Muffin 的优势越大；基线本来就强的简单场景，增益收窄。这符合机制解释——便利贴白板的价值取决于问题是否真的需要协作。

顺带一提作者们谨慎的表述方式：他们说增益"主要出现在任务留有多步协作推理空间时"，而没有宣称全面碾压。这与他们观察到的标准差偏大相洽——Muffin 是一台愿意为灵活性付出一点稳定性的机器。

成本侧的数字更惊人。在 OlymMATH-Easy 上用 gemma-4-E4B-it 做的逐步分析（Figure 3）里，Muffin 的最终准确率比多智能体辩论高 19.2 个准确率点，同时少用 77.4% 的 token。准确率更高、成本反而只有四分之一不到——这不是帕累托改善，这是把帕累托前沿直接拽着走。

作者也诚实报告了代价之一：部分设定下 Muffin 的标准差略高。原因可以理解——agent 角色是动态分配的，分享什么由 LLM 自己决定，随机性自然比固定流程大。便利贴贴什么，终究带着一点即兴。

🔬 五、关键对照实验：给 AI 看更多，真的更好吗

接下来是全篇最精彩的一组实验。作者问了一个反直觉的问题：如果我们放弃"选择性共享"，把完整的推理轨迹全都塞给所有 agent 和总结员，会发生什么？

这相当于撤掉便利贴，把每个人的草稿本整本复印、人手一份。

结果是耐人寻味的两组数字。最终准确率上，全轨迹共享确实更高：87.3% 对 Muffin 的 85.0%，领先 2.3 个点。但是代价是 token 用量从 41.9K 暴涨到 160.6K——Muffin 用少 73.9% 的 token，换来了 2.3 个点的差距。作者据此判断：全轨迹确实携带一些有用信息，但其中大部分收益可以被"紧凑的中间发现"追回。Muffin 的质量-成本权衡更优。

请停下来品一品这组数字。花将近四倍的成本，只买来 2.3 个点。这在工程上是彻头彻尾的亏本买卖，但它确认了一件理论上有趣的事：那 2.3 个点是真实存在的。完整思维链里确实有独家信息，只是它们被淹没在噪声里，打捞成本极高。

这引出一个更深的洞察。为什么全轨迹共享反而低效？至少有三层机制可以推测：

第一，注意力稀释。一个人的完整草稿本里，有效的中间结论可能只占百分之几。全量灌进上下文，等于逼 agent 在别人的碎碎念里做阅读理解。注意力是有限资源，噪声在吃掉它。

第二，锚定与从众。看到别人的完整推理，agent 容易被对方的思路框架带着走——哪怕那条路通向错误答案。只交换"发现"天然削弱了这种感染力：一张写着结论的便利贴，比一本声情并茂的推理日志更难让人盲从。有趣的悖论是：信息给得越少，独立判断反而保得越全。

第三，也许最重要——写便利贴本身是一种提炼。当 agent 被迫决定"这条发现值不值得贴出去"，它必须完成一次压缩和筛选。这个过程有认知成本，但它把珍珠从蚌壳里挤了出来。全轨迹共享没有这一步，因为它根本不需要取舍——把整本草稿复印一遍，谁都会。选择即思考。便利贴的格式，本身就是一种思考纪律。

医院的交接班制度是同构的：主治医生的完整临床思路留在科室内部讨论，但检验结果、用药调整会进共享系统。如果把每位医生查房时的全部碎碎念都录下来发给全医院，医疗系统大概撑不过一周。

⏱️ 六、异步的另一本账：时间就是 token

还有一笔账藏在同步与异步的差别里，值得单独算。

同步辩论的系统延迟，是所有 agent 的生成时间加等待时间之和——队伍的总长度由所有成员排成一列决定。Muffin 的延迟由最长的那根生成本身决定，因为其他人在此期间没有干等，而是一直在读板、写板、继续干活。这在 wall-clock 时间上已经是巨大优势。

但 token 账本讲的是一个更微妙的故事。逐步分析（Figure 4）显示，随着推理步数增加，所有方法的准确率都在涨，但全轨迹方法的 token 曲线以更陡的斜率膨胀。选择性共享把每一步的"沟通成本"压成了一个常数级的开销——几张便利贴，而不是几本复印的草稿。沟通成本与思考成本解耦，这是可扩展性的关键：agent 越多、步数越深，Muffin 的相对优势越大。

🚧 七、局限与展望

诚实是解读者的义务。这篇论文的边界很清楚：

其一，验证范围集中在数学推理。数学是理想试验场——答案可自动判分、推理链清晰。但真实世界的协作任务往往带工具调用、长周期、开放式目标，缓冲区上的便利贴能不能承载"调用搜索工具后贴回一段资料"这种异质信息，论文还没回答。

其二，团队规模是固定的。作者把"agent 数量的动态扩展"明确列为未来工作。白板系统在三个 agent 时运转漂亮，三十个 agent 时白板上便利贴的密度、检索窗口 k 的选取、以及噪声控制，都是未解之题。

其三，分诊台的准确性是单点依赖。调度员若把该会诊的轻症打发回家，或把感冒小病兴师动众，整个系统跟着遭殃。这个角色的鲁棒性值得单独研究。

其四，前面提过的方差问题。LLM 自主决定分享什么，是灵活性的来源，也是不稳定性的来源。生产系统需要回答：这种随机性能不能靠协议约束收紧，又不扼杀即兴发现的空间？

🧩 八、尾声：记忆管理学的第一堂课

回到那间会议室。

Muffin 真正改变的不是"AI 怎么解题"，而是"AI 怎么说话"。它给多智能体协作立了一套新的礼仪：想到的东西分两类——草稿和发现；发现贴上白板，草稿留在抽屉；说话不必排队，但要说就说重点；最后由一个不重新做题的评委收卷。

这套礼仪的成绩单：17/20 最佳，对多智能体辩论 +19.2 个准确率点、−77.4% token；全轨迹对照实验证明，2.3 个点的独家信息撑不起 3.8 倍的成本。信息的价值，从来就不等于信息的数量。

值得一提的还有 Muffin 没做什么。同期有一类叫"代码化推理"（codeified reasoning）的路线，要求 agent 把中间思考翻译成形式化语言再交换——这相当于逼着开会的人先学一门速记符号。Muffin 完全绕开了这条重路：便利贴用自然语言写，格式约束只到"五件套"这一层。以更低的表达成本，换来几乎全部的协作收益——这是工程品味上的胜利。

这是"记忆管理学三部曲"的第一篇，我们谈的是记忆怎么交流——agent 之间该交换什么、以什么节奏、用什么格式。但交流的另一半问题同样要命：白板上便利贴越贴越多，谁先贴、谁后贴、贴不下的往哪儿放？也就是说——记忆该怎么整理、怎么归档、怎么检索。

下一篇，我们聊记忆怎么整理。

📚 参考文献

• Ping-Lin Kuo, Suman Navaratnarajah, Christian Frey, Gresa Shala, Josif Grabocka. "Muffin — A Shared Memory Buffer for Asynchronous AI Agents." arXiv:2610.31355v1 [cs.AI, cs.MA], 2026-10-22. https://arxiv.org/abs/2610.31355