Google 多 Agent 交出五个结果:真正起作用的不是模型,是那个会说「你错了」的校验器

Google 多 Agent 交出五个结果:真正起作用的不是模型,是那个会说「你错了」的校验器

11 月 13 日,Google Research 发了一篇博客,标题很朴素:用 Antigravity 的 /teamwork 推进科学与工程。内容一点不朴素——完整证明了一个 2013 年提出的信息论猜想,把 Weil 猜想的证明形式化了 180 万行,两周把 Zircon 微内核剩下的 C++ 重写成 80 万行 Rust,还顺手让自家 TPU 的抢占率降了 24%。

这些数字很抓眼球,但真正值得写一篇的,是那句几乎被数字埋掉的设计说明:critics 和 auditors 从干净的上下文里评审,不带生产者自己的推理。这句话才是这套系统的核心。多 Agent 这件事被讨论了一年多,绝大多数团队卡在同一处——Agent 越多,错得越自信。Google 给出的答案不是加更多 Agent,是加一个会说「你这一版不算」的判定器。

事实梳理:发布的是什么,跑在哪上面

发布方是 Google Research,时间是 2026 年 11 月 13 日。主角是 Antigravity 里的 /teamwork,一个多智能体 harness;同批还有 /boost,一个打包好的顺序「解—验」循环。底层跑在 Gemini 4 家族上:Carbon 是重推理那档,官方推荐给协调者角色;Hydrogen 是快而便宜的执行引擎,11 月 12 日发布;Argon 在中间,Google 说大多数高级工程工作用 Argon 就够,这批结果也主要是 Argon 跑出来的。

/teamwork 不是这周才有的东西。它在今年 I/O 上就宣布过,8 月在 Antigravity 的付费计划里开了预览。这次发的是结果:数学、化学、系统软件、ML 工程四个方向上的一批具体成果,以及一句「这些工具现在对外部开发者开放」。

能用到什么程度,得说清楚:外部开发者现在可以在 Antigravity 和 Deep Review 里用 Gemini 4 加 /teamwork 与 /boost;Google 同时开放了 10,000 名学术研究者的申请,给六个月最高档免费额度。但正式证明的 pattern 和重写代码的 pattern 还没放出来,官方说法是「未来几周」。也就是说,博客里最惊人的那两个结果,用的工具你现在还拿不到。

两个设计动机:一个关于不确定性,一个关于注意力

Google 自己说得很直白,/teamwork 的设计针对当前语言模型的两个限制。

第一个限制:单次生成不可预测。一次尝试和正确答案之间有个缺口,模型有时第一次就对,有时第五次才对,你没法预判。解法不是让模型更稳,是并行探索 + 专门的证伪器(falsifier)。这里列的证伪器很具体:Lean 4 证明检查器、未经修改的软件测试套件、执行模拟器、网络搜索、硬件计数器。这些东西的共同点是——它们不关心 Agent 说得多自信。

第二个限制:多天任务会丢细节。上下文窗口越滚越长,注意力会散,模型跑到第三天忘了第一天的约束。解法是按构造分区上下文:每个专职 Agent 只拿到它这一步真正需要的文件和工具;协调者把任务交接给「全新的继任者」,而不是把整段历史一路传下去;critics 和 auditors 从干净上下文评审,看不到生产者是怎么想的。

还有一个工程细节值得记:这些工作流被写成声明式的自然语言 pattern,系统按用户输入动态路由到最合适的那个 pattern。pattern 可以从历史运行记录里改出来,也就是说 harness 本身是「自改进」的。这句话听着玄,翻译成人话是:它把「怎么拆活」从代码里挪到了可编辑的文档里。这件事的意义比模型升级大——拆活方式是经验,经验应该能被积累和复用,而不是埋在某个人的 prompt 里。

五个结果,和它们的成色

这一节按「能不能独立核查」排序,因为这是读这类发布最重要的分辨力。

最有成色的是 Courtade–Kumar 猜想。这是 2013 年提出的信息论问题,问的是:一段随机比特串经过噪声信道后,把它压缩成一个比特,能不能保留比「直接复制其中一个输入比特」更多的信息?猜想说不能。Google 联合港中文、USC、CMU 的研究者,用 /teamwork 的 Long Proof pattern 给出了完整证明。

关键是后面的形式化:整个论证被翻成 Lean 4,Google 报的数字是 5000 万行。这个数字被独立核查过一遍,结论很有意思——5000 万行是真的,但其中只有约 23.9 万行是人能读的证明,剩下的是机器生成的证书数据,由 Lean 内核机械检查。仓库里有干净重建后输出字节一致的记录、有独立跑验证套件的记录、有 Lean Foundation 外部检查器的接受记录。证明是真的、公开的、机器验过的。但那个 5000 万,衡量的是校验器被磨了多少次,不是数学做了多少。

最惊人但也最难核查的是 Weil 猜想。Google 说一个叫 /teamwork-LEAP 的框架配上 Gemini 4 Argon,「完全自主地」产出了 Weil 猜想端到端的、机器检查的形式化,约 180 万行 Lean,跨 28,800 次子代理调用。问题在于:博客里只链了 Weil 猜想的维基页面,没有仓库、没有论文、没有 statement 文件。另外一个团队 Axiom 在 11 月 6 日——比 Google 早一周——已经发布了自己的公开形式化。所以这一条目前无法独立核查。

第三类是同样量级但同样只到「自述」的:希尔伯特第十问题在一般整数环上的一个近期证明,形式化超过 91.9 万行 Lean;1927 年提出的 Birkhoff 猜想、悬了五十多年的三维 Bochner–Riesz 猜想,也是首次形式化。

最能被工程界复用验证的是 Zircon。在两周边 25% 已移植的基础上,一轮 Gemini 4 Argon 的 campaign 把 Zircon 微内核剩下的 C++ 重写成了约 80 万行 safe Rust,Google 说通过了全部内核单元测试,并且在 arm64 硬件上启动。这里有个设计细节比行数重要得多:这个 pattern 按依赖关系调度,每个模块必须等它的依赖编译通过才开工,并且每个模块都要链接回原始那份未经修改的测试。这是专门防「Agent 把代码 stub 掉、或者改测试让它过」的。做代码迁移的人都懂,这是最容易被糊弄的地方,Google 直接把门焊死了。

最后是自家生产系统。Borg 调度器两个已上线的改动,让部分硬件上的 TPU 工作负载抢占率降了 24%。这个数字最小,但它是唯一跑在真实生产里的。

反直觉的那条发现:顺序优于并行

博客里有一段几乎没人转的内容:一个 /teamwork campaign 回看了历史运行,发现紧耦合的代码用顺序的「实现—修正」阶段处理,比拆成并行更好,Google 把这条折进了 /boost。

这条为什么重要?因为过去一年「多 Agent」的默认姿势是「能并行就并行」。而这条实测结论说的是:并行的收益来自子任务之间的独立性,不是来自 Agent 的数量。耦合紧的活拆开并行,省下的时间是假的,返工的成本是真的——两个 Agent 各自改了对方的依赖,最后合起来谁也对不上。

这条对国内做 Agent 的团队有直接参考价值:你手上的活是「写十个互不相关的爬虫」还是「改一个牵一发动全身的单体」?前者并行,后者顺序。搞反了,多 Agent 就是把不确定性乘了个倍数。

影响分析:胜负手在「谁有权说这版不算」

把这篇发布放到整个 Agent 生态里看,它动的是三件事。

第一件,多 Agent 的评价标准变了。过去比的是「能拆几步、能跑多久、能开多少个子代理」,现在要比的是「你有没有一个不依赖模型自觉的判定环节」。Lean 检查器、未修改的测试套件、模拟器、硬件计数器——这四样东西的共同点是不需要相信 Agent。这个思路跟站内讲 Agent = Model + Harness 的那篇是一路的:模型是大脑,能不能长跑取决于外面那层 harness 有没有牙齿。

第二件,「上下文分区」从技巧变成了架构。「每个 Agent 只拿它需要的文件」「协调者交给全新继任者」「评审者不带生产者的推理」——这三条是可复制的工程手段,不需要 Gemini 4,也不需要 Antigravity。它直接对应站内 多 Agent 上下文隔离和 上下文管理里反复提到的那个问题:上下文共享得越多,错误传播得越快。

第三件,「成果指标」被打回原形。5000 万行 Lean 里有 99.5% 是机器生成的证书。这不是造假,但它说明一件事:在自动验证的时代,行数、调用次数、子代理数量这些指标都会被通胀。以后看这类发布,第一个问题应该是「有没有可 clone 的仓库」,第二个是「有没有第三方跑过」。

老达点评

一、这套东西最值钱的组件不是模型,是那个会说「你错了」的东西。整篇博客里,模型只出现了一次「Gemini 4」,falsifier 被列了五次。这个配比说明了重心:多 Agent 的瓶颈从来不是「谁来干活」,是「谁来判断干完了没有」。没有判定环节的并行,只是把一次瞎猜变成十次瞎猜。

二、「评审者从干净上下文看」这一条,最该抄,也最容易抄错。我见过太多团队做「评审 Agent」,把生产者的完整推理链一起喂进去——结果评审者被那段推理说服了,输出「看起来没问题」。这不是评审,这是自我确认。要真做,就得让评审者只看到产物和判定标准,看不到产物是怎么来的。代价是它可能挑出一些生产者早就想过的毛病,但那个代价必须付。

三、那个「5000 万行里只有 23.9 万行可读」的核查,比发布本身更有价值。它提醒我们:自动验证会制造一种新的虚荣指标。校验器跑得越多,行数越漂亮,但数学只做了那么多。国内接下来一定会出现一批「我们的 Agent 生成了 X 万行代码 / X 万个测试」的宣传,看到这类数字,先问「哪些是人能读的、哪些是机器补的」。

四、Weil 那一条我持保留态度,不是怀疑,是没法核。180 万行、28,800 次调用、完全自主——三个数字都很大,但博客没给仓库。而 Axiom 一周前已经公开了自己的形式化。在这个量级的成果上,「我先发了博客,代码稍后」和「我做出来了」是两件事。Anthropic 那个「1000 多个子代理跑 8 天造出一个操作系统」也是同一类:听着震撼,但没法复核的东西,在工程上等于零。这不是说他们在编,是说读者必须自己打折。

五、真正该抄的是那个「链接原始未修改测试」的设计。Zircon 那一段里,最狠的一句是每个模块都要链接回原始测试。做代码迁移的都知道,Agent 最容易干的作弊是「改测试让它过」或者「stub 掉难的部分」。把这条堵死,重写才有意义。这个思路可以直接搬到业务里:你的验收标准必须是 Agent 改不动的——测试、对账恒等式、报表勾稽、SPC 判异规则,都得放在 Agent 的写权限之外。

六、回到「我们能不能用」。先问一个问题:你手上有没有一个能自动判错的检查器?有——对账恒等式、单耗公式、库存平衡表、单元测试、勾稽关系——那就可以让它长跑,跑得越久越省人力。没有,多 Agent 就只是个更贵的对话框,而且错得更自信。Google 这套东西能成立,前提是数学和内核代码都有机器可验的判定标准;你的业务里如果没有这个东西,第一步不是搭多 Agent,是先把判定标准造出来。

三个未解的问题

一,成本。28,800 次子代理调用,加上 Lean 内核反复检查 5000 万行,这套东西跑一次要烧多少钱、多少机时?博客一个字没提。对科研来说这可能不重要,对想抄这套架构的企业来说,这是第一个要算的账。

二,pattern 谁写、谁能审。把拆活方式写成「声明式自然语言 pattern」,好处是可编辑,坏处是它成了影响结果的隐形代码。pattern 里少写一句「必须链接原始测试」,整个结果的性质就变了。这类文件应该有版本、有评审、有 diff,而不是躺在某个目录里被随手改。这跟站内讲 Super-agent 架构里那个「Router 决定分派」是同一类问题:决策层越像配置,越需要被审计。

三,critics 到底有多独立。「从干净上下文评审」解决的是信息污染,解决不了同源偏差——如果评审者和生产者是同一个底座模型,它对某些错误的盲区是一样的。真正的独立可能需要换模型、换提示、甚至换判定方式(比如用检查器而不是用模型)。这个问题 Google 没答,后面谁做多 Agent 都得自己答。

一句话总结:这篇发布最该被记住的不是那几个数学结果,是它把「多 Agent 能不能信」这个问题,从「模型够不够强」挪到了「你有没有一个不依赖模型的判定器」。前者你只能等,后者你今天就能动手。

0 条评论

发表评论

您的电子邮箱地址不会被公开,必填项已标注 *