TL;DR

多 Agent 代码生成长期用固定拓扑（Planner → Dev → Reviewer），这篇发现： 拓扑效果跟问题难度高度相关——最简单的问题单 Agent 和 hierarchical 几乎没差别； 最难的问题 hierarchical 比单 Agent 高 21.1 pass@1 分。 DATS 用图网络预测每个拓扑的成功率，选择「成功概率减成本」最高的那个。

固定拓扑的根本问题

大多数多 Agent 代码生成系统的工作流是人拍脑袋定的：

Planner → 写计划 → Dev → 写代码 → Reviewer → 审查

这个拓扑对所有问题都一视同仁。但问题在于：不同难度的问题，需要的协作模式根本不同。

  • 简单问题（写个快速排序）：一个 Agent 直接搞定就行，加协作层只会增加上下文搬运开销
  • 复杂问题（实现一个分布式一致性协议）：需要多层验证和迭代，hierarchical 协作才能充分发挥作用

核心发现：拓扑效果随难度剧烈变化

论文在 APPS、HumanEval+、LiveCodeBench 的 614 个问题上评估了 5 种拓扑，发现了一个惊人的模式：

问题难度 单 Agent pass@1 Hierarchical pass@1 差距
最简单（top 1/3） 基线 +2.4 分 可忽略
中等难度 基线 +8 分左右 值得
最难（bottom 1/3） 基线 +21.1 分 巨大

同时 token 成本：hierarchical 约是单 Agent 的 10 倍。

所以对简单问题用 hierarchical 是浪费，对难问题用单 Agent 是自杀。

DATS：Difficulty-Aware Topology Selector

论文提出的 DATS 解决的就是这个问题：让模型自己判断该用哪种拓扑。

架构

  1. Topology Embedding：把 5 种拓扑建模为「连通性顺序」上的节点，而非独立标签。图网络（graph network）在这里的作用是捕捉拓扑之间的结构关系。
  2. 难度预测器：输入问题的 39 个可解释特征（代码长度、循环深度、函数调用数等），输出每个拓扑的「成功率预测」。
  3. 路由决策：选择「预测成功率 - 成本」最大的拓扑。

关键设计：成本是一个单一标量，可以在不重训练的情况下重新校准。这意味着实际部署时可以用成本约束直接控制路由策略。

在 Budget-Matched 协议下的结果

固定 cost = always-hierarchical 成本的 40%：

方法 pass@1
Always-hierarchical 73.6%
Strongest learned competitor 74.3%
DATS 77.7%

4.1 分的 gain 在 4 种 backbone（跨越 14 分能力差距）上都成立。

为什么这不只是「选择器」，而是「自组织软件工厂」的前奏

把通信拓扑当成可学习空间，这个思想的价值远不止「省 token」。

传统软件工程里，「团队结构」是人定的。Fighter 模式、Master-Slave 模式、功能团队 vs 矩阵组织——这些都是人类管理者拍的板。

DATS 指向的是：agent 团队的组织结构本身可以随任务动态优化。这不是多 Agent 协作的门禁设计，而是多 Agent 协作的拓扑学。

当这个思路成熟后，「这个任务需要几个 agent、它们之间怎么连接」将不再是设计者拍脑袋决定的事，而是模型根据任务特征自适应涌现的结果。

批评性解读

5 种拓扑还是太少。真实项目里可能的协作模式远不止 5 种，而且这 5 种是预先定义的，不是学出来的。更大的搜索空间里可能存在更优的拓扑。

39 个特征的可解释性是一把双刃剑：可解释意味着部署时容易调试，但也意味着模型的能力上限被限制在人类能理解的特征范围内。

跨域泛化（数学推理）的结果虽然显著，但代码生成和数学推理的「协作拓扑需求」是否真可类比，存疑。

原论文：Learning How Much to Collaborate: Difficulty-Aware Topology Selection for Multi-Agent Code Generation（arXiv:2609.13890）