SwarmResearch：多智能体协作突破编码优化瓶颈

长期运行的编码智能体（如autoresearch）能够持续发现开放问题的优化方案，但一个显著缺陷是它们容易收敛到单一高层次方法，随后仅进行低层次编辑，而错失其他更优的解决路径。来自arXiv的最新研究SwarmResearch指出，这一行为源于两个设计选择：在单一长期运行智能体中积累上下文，以及仅暴露单一程序状态供编辑。

SwarmResearch提出了一种创新的编排-子智能体架构（orchestrator-subagent harness），其中Shepherd Agent利用全局上下文来引导一群Search Agent，每个Search Agent在其各自的git分支中操作，仅拥有局部上下文。这种设计有效避免了单一智能体的上下文过载和探索方向固化问题。

在开放优化任务中，SwarmResearch在15项任务中的13项上发现比现有最先进的LLM引导进化（LLM-guided evolution）和多智能体技术更好或相当的解决方案。这一优势主要源于其更高层次的探索能力——Shepherd Agent能够从全局视角评估不同搜索分支的潜力，动态调整资源分配，而Search Agent则在局部范围内进行精细化的代码修改和实验。

与固定扩展的串行和并行智能体相比，SwarmResearch的编排器引导扩展（orchestrator-guided scaling）通过在不同搜索深度自适应调整并行度，发现了性能更优的解决方案。例如，在早期探索阶段，Shepherd Agent会启动更多并行Search Agent以覆盖广泛的方法空间；而在后期优化阶段，则减少并行度，集中资源对最有潜力的分支进行深度挖掘。

该研究还对比了传统多智能体系统与SwarmResearch的差异。传统方法通常依赖固定数量的智能体并行工作，或通过简单的投票机制进行决策，缺乏对探索深度的动态控制。SwarmResearch的编排器则扮演了“研究主管”的角色，它维护一个全局搜索树，记录每个分支的进展、遇到的瓶颈以及与其他分支的关联，从而做出更明智的调度决策。

SwarmResearch的提出为自动编码和程序优化领域带来了新的思路。它不仅提升了开放问题求解的效率和质量，更重要的是，它展示了如何通过合理的架构设计来平衡全局探索与局部利用，避免智能体过早陷入局部最优。未来，该框架可进一步扩展到更复杂的软件工程任务，如大型代码库的重构、跨模块优化等。

研究人员表示，SwarmResearch的代码和实验数据已公开在相关平台上，供社区复现和进一步改进。这一工作也为构建更智能、更具探索能力的自动编码系统提供了坚实的理论基础和实践参考。