从490万条消息到形式化验证：多智能体科研的成本与可信度如何平衡？

【软盟资讯·新闻导读】多智能体参与复杂科研任务，已从“能不能跑通”转向“在什么成本下、以什么证据完成”。现有资料显示，不同上下文策略的 token 消耗差异极大，代理级与迭代级验证也没有普适最优。团队需要同时评估资源成本、过程可追溯性和结果可信度。

多智能体系统正在被越来越多地用于复杂科研任务。它不再只是单个模型完成一次问答，而是多个模型节点围绕同一问题不断交换信息、提出假设、相互修正。这种协作方式留下大量消息轨迹：谁在什么时候提出了什么、哪些上下文被保留、哪些被压缩、最终结论建立在哪部分证据之上。如果这些问题无法回答，那么即使结果看似合理，也很难进入需要严格依据的科研流程。

成本差异首先来自上下文策略，而非模型本身

在已经公开的多智能体基准结果中，不同架构的平均 token 消耗差异相当明显。以同样按问题统计的平均 token 使用为例，MaAS 在保留完整原始历史时，一个问题平均要消耗 8826.4 个 token，而 AFlow 为 1754.9 个，ADAS 为 915.1 个，MAS-Zero 为 1409.7 个。这些数字并不是要说明某一个框架必然更优，而是暴露出多智能体系统在信息传递上存在完全不同的设计取向。

更有解释力的是上下文策略带来的变化。当把历史上下文改写成摘要后，MaAS 的平均 token 消耗从 8826.4 降至 650.6，DyLAN 从 2280.7 降至 467.1，AFlow 从 1754.9 降至 574.1，ADAS 从 915.1 降至 560.1，MAS-Zero 从 1409.7 降至 589.9。可以看到，摘要上下文大幅压缩了与当前步骤无关的历史细节，使后续智能体不必反复处理同一批长文本。研究结论也指出，摘要上下文在显著减少 token 消耗的同时，整体表现优于完整历史。

但摘要上下文并非没有代价。它节省了 token，却也可能过滤掉后续判断所需的细节。因此，成本下降是否值得，不能只看 token 曲线，还要结合最终结果的可信度和过程能否回溯来判断。

消息轨迹让过程可追溯，但验证粒度没有通用答案

多智能体科研中的“过程可追溯”不是简单保存聊天记录。不同架构的平均推理步数从 4.4 到 21.6 不等，说明有的系统把任务拆得很细，每一步都留下明确中间产物；有的系统则希望用更少步骤直接逼近结论。步骤多并不等于更可信，步骤少也不等于更高效。

MAS-ProVe 的研究明确提到，在多个多智能体架构、基准和验证器类型上，代理级验证和迭代级验证都没有稳定优于对方。也就是说，没有一种验证粒度可以成为所有场景下的默认答案。对高风险科研任务，团队可能需要在关键节点增加代理级验证；对成本敏感、失败影响有限的探索性任务，迭代级验证或许已经足够。验证粒度选择高度依赖架构和任务性质，而不是简单套用一个“标准配置”。

形式化验证依然卡在高维输入与规模

如果把过程可追溯视为“事后能否看清”，形式化验证则更偏向“事前或事中能否证明某个性质成立”。安全内参文章所讨论的挑战仍然直接适用于多智能体场景。用于感知的机器学习组件经常在高维输入空间运行，输入不是简单布尔值，而是混合了离散变量和连续变量。深度神经网络可能包含数千万参数和数十层组件，验证搜索空间非常巨大。即使只关心系统是否满足一组安全性质，都可能在计算上变得不可判定，更不用说对鲁棒性、性能等定量指标给出严格结论。

这意味着，在复杂多智能体系统中对每一步都进行形式化验证，当前阶段仍然面临很高门槛。它更适合用于抽象后的子系统、核心协议或安全关键属性，而不是直接覆盖完整系统。

把成本、过程与可信放进同一张评估表

评估多智能体科研任务，不能再只用最终答案的准确率。更可靠的做法，是同时记录三个维度：资源成本、过程可追溯程度和结果可信依据。

成本不只是总 token 或运行时间，还要看信息压缩策略是否因过度摘要而丢掉了关键证据；过程可追溯不只是日志是否完整，还要看这些日志能否在事后重建决策路径；结果可信也不只是与参考答案一致，还要看是否有验证记录、失败样本和边界条件说明。资料中提到的元策略协商框架，在原型阶段就采用固定轮次、轻量化规则与投票裁决，并把准确率、成本和稳定性设为核心评测指标。这种做法说明，即使在尚未引入形式化验证的阶段，团队也应该先建立可复现的失败样本库和成本基线。

对研发团队来说，最需要避免的是把 token 下降等同于效率提升，把步骤减少等同于过程简洁，把形式化验证视为不可落地的终极目标。三者之间存在取舍：摘要上下文可以大幅降低 token，但可能削弱追溯链；细粒度验证可以提高置信度，但会推高推理和计算成本；形式化方法能提供更强保证，但很多情况下只能覆盖简化后的模型或局部属性。

更稳健的做法是分层处理：对已经稳定、风险较低的任务，使用轻量记录和抽查式验证；对影响结论方向的关键步骤，保留完整轨迹并施加更严格的检查；只有在任务必须提供可证明保证时，才引入形式化建模。决策依据不应是单一技术指标，而应是失败后需要付出什么代价、审计者需要看到什么证据。

当多智能体从演示走向真实科研流程，成本与可信度不是先后关系，而是同一系统的两面。团队越早建立消息轨迹、token 基线和验证记录的统一视图，越能在后续迭代中做出不后悔的取舍。

【软盟观察】多智能体科研的讨论，过去集中在“能不能完成复杂任务”，现在则转向“在什么成本下、以何种证据完成”。这个转向比单纯追求精度更重要。token 消耗数据揭示了一个容易被忽视的事实：多智能体系统的效率高度依赖上下文策略，而不是模型本身的参数规模。把完整历史摘要化，可以让平均 token 消耗从八千多降至六百多，但这并不意味着所有场景都应该默认摘要。科研任务中，一条看似冗余的原始消息有时恰恰是发现错误的关键。因此，摘要策略必须在成本与证据保全之间找到任务级平衡。

过程验证粒度没有通用最优解，也提醒管理者不要期待一个可复制的模板。代理级验证和迭代级验证各有适用条件，选择应取决于任务风险、失败影响和审计边界，而不是论文中的平均分。若团队把验证设置成固定开关，要么在高风险任务中留下盲区，要么在低风险任务中浪费资源。更现实的路径是建立分级验证机制：默认完成过程记录，关键节点触发更强验证，核心结论再辅以形式化或半形式化检查。

形式化验证的瓶颈在高维输入和系统规模，短期内难以覆盖完整多智能体系统。但它并非没有位置，而是更适合用于抽象后的子系统、核心协议或安全关键属性。把形式化验证当成“终极背书”会失望，把它当成特定问题的证明工具反而更可行。多智能体科研真正需要的是成本、可追溯性与可信度三者的动态平衡：允许在探索阶段用较粗的验证换取速度，但必须保留足够轨迹；当结论进入可复用、可审计或高风险阶段时，成本和速度就不能再成为降低验证强度的理由。最终，科研团队和决策者应把“是否有据可查”与“是否可复现”置于同等重要的位置。没有可追溯性的低成本，只是把风险转移到未来。