AI Agent 通信新思路：用「脑电波」代替英语，token 暴降 75%

当多个 AI Agent 协同完成一项任务时，它们之间通常用什么「语言」交流？答案看似理所当然：英语。但一项被广泛讨论的新研究方向指出，Agent 之间直接传递未经解码的内部隐藏状态（latent state），能比「说英语」更高效、更便宜。

研究背景：从单 Agent 到多 Agent 协作

AI Agent 正在互联网中快速涌现，能够代用户订机票、排日程、提交理赔、扫描代码漏洞等。然而当任务从单个 Agent 扩展到多 Agent 协作时，协调难题随之而来：Agent A 用自然语言写出的方案，Agent B 需先理解再编码进自己的内部表示，处理流程中大量时间被「翻译」消耗。

新方法：跳过语言，直接传「脑信号」

研究提出一种称为「跨 Agent 潜在状态传递」（cross-agent latent state transfer）的方案：各 Agent 不再把内部结果解码为完整句子再发给队友，而是直接把隐藏层的数值向量传递给下一个 Agent，由接收方在自身表征空间中继续处理。整个过程没有文字、没有语法、没有解码—再编码的开销。

关键数据

• 数学竞赛任务成功率：从 73% 提升到 86%，提升 13 个百分点；
• Token 消耗：下降 75%，相当于大量「语言开销」被蒸发掉；
• 模型规模：所用为百亿参数以下的开源小模型；
• 训练成本：约 4 美元。

这意味着，用更小的模型、更少的算力，就能逼近过去只有大模型才能达到的效果。

潜在的「扩展律」

研究者还观察到一个现象：Agent 之间进行潜在通信的轮次越多，整体表现越好，且提升尚未见明显饱和。这暗示该方法可能存在一种新的「扩展律」——增加原始信号交换次数，性能会继续增长，而不像自然语言通信那样受限于 token 预算。

仍待回答的问题

一个值得思考的疑问是：性能的提升究竟来自「通信架构」的改进，还是来自训练这些 Agent 的大模型教师本身足够强？换言之，功劳是「教法」还是「老师」？文章在结尾处指出，这一问题研究者同样没有给出定论，也是后续工作需要厘清的方向。

小结

对希望以更低成本构建多 Agent 系统的团队而言，「让 Agent 传向量而不是传句子」是一条值得试验的路径。它不要求更换底层大模型，只需改变 Agent 之间的接口方式，就有机会在性能与成本两端同时获益。