DIG to Heal：通過可解釋動態決策路徑擴展通用Agent協作
DIG to Heal針對多智能體系統的核心問題：如何將任務分配給哪個智能體，以及智能體失敗時如何應對。現有的固定分配方式不考慮智能體的強弱或任務屬性。
DIG to Heal引入「可解釋的動態決策路徑」，根據各Agent的能力、任務需求、歷史成功率實現動態路由。失敗時診斷原因並執行「治療」策略，包括轉交其他Agent或任務拆分。在5個基準測試中平均提升成功率8.3%。
DIG to Heal：多Agent協作的可擴展解法
核心問題：Agent越多越亂
2026年的AI Agent熱潮帶來了一個尷尬的現實：3個Agent協作很好，5個還行，10個開始混亂，30個幾乎不可用。
原因是多Agent系統面臨的「協調複雜度爆炸」：N個Agent之間的潛在交互路徑是O(N²)，而決策衝突的可能性隨Agent數量指數增長。
DIG框架
CMU和Salesforce Research團隊提出的DIG to Heal（Diagnose, Improve, Generate to Heal）是三階段方法：
1. **Diagnose（診斷）**：自動分析多Agent協作的失敗模式。常見失敗：責任模糊、資訊不對稱、目標衝突
2. **Improve（改善）**：根據診斷結果動態調整Agent的角色定義、通訊協議、決策權限
3. **Generate（生成）**：將改善後的協作模式自動應用到新的Agent配置
技術創新
- **層級式通訊架構**：將全對全通訊約束為樹狀結構，O(N²)降至O(N log N)
- **動態角色分配**：隨任務進展動態重新分配Agent角色
- **衝突解決協議**：多Agent判斷矛盾時的自動調解機制
實驗結果
- **成功率**：43%→78%（30 Agent規模任務）
- **協作開銷**：比現有方案減少60%
- **擴展性**：3→30 Agent的性能下降僅為現有的1/3
行業影響
首次為企業部署大規模多Agent系統時的最大障礙「可擴展性」提供了實用解法。