问题
现有 LLM 多智能体框架（如层级 scaffold）中，子 Agent 之间无法自由交流，只能通过上层协调 Agent 分派任务，协调效率低。信号 3 原文描述了这种缺失：“假如你领到一个任务，而某个人可能知道你正在攻的问题……这个时候你直接问他一句‘这事儿你能帮我看看吗’，会非常有用。但很多系统没这种机制；但加上这个机制呢，scaffold 的复杂度又会显著上升。”同时，信号 1/2 显示 swarm 规模已达万级（OpenAI 1 万 Agent、1300 亿 token、88 小时解千禧年难题），但大量 Agent 在做无效搜索，收敛仍然困难。痛点人群是构建 LLM 多智能体应用的开发者和 AI 研究团队，但目前证据以能力演示和框架讨论为主，真实的付费用户痛感证据偏弱（pain: 3）。
目标用户
构建 LLM 多智能体应用的开发者和 AI 研究团队；以及需要跑大规模 agent swarm 实验的前沿实验室成员。属于较小但高技术浓度的群体（devtools/研究工具市场），非大众市场。
解决方案
- Agent 寻址与注册：每个 Agent 有稳定身份，可被发现和定向联系
- 点对点上下文写入：Agent 可随时向其他 Agent 发消息并写入其上下文，替代固定层级分派
- 涌现式协调：不依赖预设 scaffold，让分工与求助行为在通信中自然涌现
- 无效搜索控制：去重与汇聚机制，识别重复工作、减少 swarm 的浪费搜索，加速收敛
- AI 的角色：LLM Agent 本身既是执行者也是协调者，框架层只提供通信与上下文管理基础设施
为什么是现在
OpenAI 刚演示了 1 万 Agent、88 小时、1300 亿 token 的 swarm 实验（2026 年 9 月底），证明大规模 swarm 已可行但大量 Agent 在做无效搜索、收敛困难；模型能力（如 GPT-5.6、Ultra Mode）刚好跨过让 Agent 自主协调的门槛，自由通信机制从“不可能”变成“值得投入”的时机点。
MVP 范围
第一版做一个轻量 Python 框架/库：
- 做：Agent 注册与寻址、任意 Agent 可向其他 Agent 发消息并写入对方上下文、简单的消息队列与速率控制、基础的任务结果汇聚与去重。
- 不做：不做大规模并行调度（如万级 Agent）、不做自动 scaffold 生成、不做云端托管服务、不追求数学级难题求解验证。
风险
- 技术风险：自由通信会让 scaffold 复杂度和上下文成本显著上升（信号 3 明确提到这一权衡），消息风暴与上下文污染难以控制。
- 平台依赖：依赖底层模型厂商（OpenAI、Kimi 等）的上下文长度、定价和 API 行为，模型迭代可能使框架失效或被官方能力覆盖。
- 竞争风险：OpenAI、Sakana AI、Prime Agent 等前沿玩家在 swarm 方向持续投入，可能把通信机制做进官方平台。
- 商业化风险：目标开发者群体付费意愿弱（信号 3 willingness_to_pay 为 none），开源免费方案容易被接受，难以直接收费。
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。
Latent Space10月2日新能力隐含付费意愿
“OpenAI’s 10,000-agent experiment, 130B output tokens, and ~$40M-equivalent problem solving”
Multi-agent swarm experiments are reaching massive scale, but much of the swarm may be wasted search and convergence is still hard.原文
量子位9月30日新能力
“假如你领到一个任务，而某个人可能知道你正在攻的问题、或其中一部分的答案。这个时候你直接问他一句“这事儿你能帮我看看吗”，会非常有用。但很多系统没这种机制；但加上这个机制呢，scaffold的复杂度又会显著上升。”
现有多智能体框架依赖固定scaffold，子Agent之间无法自由交流，协调效率低。原文
量子位9月30日新能力隐含付费意愿
“你们上周宣布，一个由1万个不同AI Agent组成的系统，历时88小时、消耗1300亿token，解出了一道千禧年难题。”
OpenAI演示了一个由1万个AI Agent组成的系统，通过并行协作在88小时内解决千禧年级数学难题。原文