Signal · AI Frontier
多 Agent 系统常把注意力放在角色和调度上，但真正吃掉上下文窗口的，可能是 Agent 之间未经约束的自然语言交接。PACT 的价值在于把“怎么说话”变成成本和可靠性问题。
核心判断
多 Agent 产品不一定需要更多角色，而需要更可控的通信格式；否则共享上下文会被对话噪音快速吃掉，token 成本也会随协作复杂度上升。— Danding Editorial DeskShare-ready
结构化 action-state 可能比增加 Agent 角色更能控制 token 与错误传播。
PACT 的启发是：多 Agent 系统不一定缺角色，可能缺的是可控通信格式；把自然语言交接压成 action-state，才有机会降低上下文噪音。
你的多 Agent 流程里，哪些上下文是在传递状态，哪些只是解释性噪音？
为 Agent 交接定义最小状态字段，先减少冗余解释，再考虑增加新角色。
对多 Agent 对话日志做 token 分解，找出共享历史里最耗上下文的交接片段。
把 tokens-per-resolved 和输入 token 量纳入多 Agent 方案的成本复盘。
截至 2026-06-07，arXiv abs 页显示 PACT 论文 v1 于 2026-06-03 提交，并附 GitHub 链接 github.com/iNLP-Lab/PACT。论文摘要称，自由文本式 Agent 通信会膨胀 token usage、消耗 shared context window，并影响 system performance 与 inference cost。
企业把任务拆给多个 Agent 后，如果每个 Agent 都长篇解释，成本和错误传播会同步上升。结构化交接让团队有机会保留行动状态，删掉冗余解释。
如果同样模型在更好的交接格式下能减少 token 或保持 resolve，产品团队可以先优化系统设计，而不是一味升级到更贵模型。
action-state record 更接近日志和状态机，也更容易让人类 reviewer 看清 Agent 为什么把任务交给下游。
arXiv abs 页显示论文 v1 于 2026-06-03 提交，题为 What Should Agents Say? Action-state Communication for Efficient Multi-Agent Systems。
论文摘要称 LLM multi-agent systems 常按 roles、pipelines 和 turn schedules 组织，但 agents 传递的内容常是未约束自然语言。
摘要称自由文本通信会膨胀 token usage、消耗 shared context window，并影响 system performance 与 inference cost。
论文称分析了 5 种常见 inter-agent communication strategies 和 2 种 MAS topologies，并认为没有一种固定策略普遍最优。
论文提出 PACT，将 raw agent output 投射为 compact action-state record 再进入 shared history。
按 arXiv 摘要原文口径，PACT 在 OpenHands 上提升 resolve rate，且为 -10% tokens-per-resolved；在 SWE-agent 上 resolve 持平，输入 token 减半。
核对 github.com/iNLP-Lab/PACT 的代码、复现实验、license 和后续 issue。
观察 LangGraph、AutoGen、CrewAI、OpenHands、SWE-agent 等框架是否加入 action-state 交接结构。
跟踪真实产品里多 Agent 交接失败的主要原因是上下文冗余、状态遗漏还是工具调用错误。
寻找非编码任务上的 PACT 或同类结构化通信评测。
Subscribe
订阅后继续收到 Briefing、Signal 和 Deep Dive 更新。
