AI Agent正确率从26%飙至70%，去中心化蜂群协作如何做到？

Agent（智能体）并非新概念，但传统工作模式存在一个显著痛点：总Agent接收任务后，若判断复杂，便拆分给多个子Agent分别处理，最后再统一汇总。然而，所有结果需经总Agent重新理解，这一环节可能导致子Agent已找到的正确答案在整理时丢失细节。中国团队EvoMap提出的“去中心化蜂群”组织方式，试图从根本上解决这一问题。

在蜂群模式下，多个Agent平级分工、各司其职，完成后由程序按任务编号直接汇合结果，省去了总Agent转述环节。同时，Agent可将已验证的方法保存，供其他Agent复用并持续更新，这一方向被团队称为“AI for AI”。

该团队已将这一能力落地为桌面Agent产品EvoX。测试中，用户向EvoX提供咖啡店背景、成本、排班等资料，要求制定一份七天开业周方案。开启“蜂群”按钮后，EvoX自动拆解任务并调用5个Agent并行处理，最终输出包含每日安排、排班、菜单活动、宣传计划、预算及风险提示的完整方案。

蜂群模式与普通Sub-Agent模式的核心区别在于结果汇合方式。团队实验显示，在563道逻辑、数学和物理题中，使用同一模型，单Agent正确率仅为26.29%，Sub-Agent模式为38.54%，而EvoX蜂群模式达到70.69%—70.87%。值得注意的是，Sub-Agent模式中，子Agent答对373题，但经总Agent汇总后仅保留217题，正确答案保留率仅55.5%。这说明大量错误并非源于子Agent能力不足，而是汇总环节的信息损耗所致。蜂群模式通过直接汇合，避免了这一损耗，正确率因此大幅提升。

EvoMap是2025年成立于深圳的创业公司，团队不足20人，多为95后和00后。EvoX是其面向普通用户的入口，而EvoMap则是其搭建的Agent经验网络。在后续测试中，用户为新任务（中秋活动方案）仅提供新的预算、人员等数据，EvoX自动调取并复用了上一轮咖啡店方案中的四条经营规则，无需重复说明，且方案生成更快、内容更详细。这种经验复用能力，让Agent能够像人类一样积累“行业常识”，并不断优化。

该团队还将蜂群与经验迭代应用于复杂研究，推出已开源的AutoResearch。其中不同Agent分别负责方案提出、实验执行、测试与检查，成功的方法进入下一轮，失败经验则作为修改依据。在官方Django修复实验中，新增功能测试从2/7提升至7/7，同时保持203/203项回归测试通过，展示了这一模式在真实软件开发中的潜力。

未来应用场景可进一步拓展：例如暴雨导致订单激增时，不同Agent可尝试优化合单、派单及取餐路线，成功经验连同天气、订单密度等数据保存，供其他区域相似情况复用。类似经验也可用于餐厅备餐、物流路线调整等生活服务场景。

当前多数Agent仍模仿人类操作软件，但机器天生擅长并行处理与精确汇合，并能保存机器可读的经验。EvoMap正探索属于Agent自身的组织与经验系统，使AI开始优化AI，形成自己的协作方式，并将有效方法保存、分享与迭代。EvoX与AutoResearch已展示初步成果，而这一去中心化协作范式，或许将重新定义Agent的工作方式。