本文第一作者来自厦门大学空间感知与计算实验室（ASC Lab）2025 级博士生王海涛、2025 级硕士生梁辰景，通讯作者为厦门大学沈思淇副教授，并由张海鹏、胡家威、王思诚、梅松竹副研究员、温程璐教授、王程教授共同合作完成。研究团队长期聚焦于大模型智能体、强化学习以及多智能体系统。实验室主页：//asc.xmu.edu.cn/

做大模型应用的人，多少都有过这样的体会：一个 AI 搞不定的事，就多叫几个 AI 来 "开会"。写代码，可以让一个 AI 写、一个 AI 测、一个 AI 改；答问题，可以让几个 AI 分头查资料、再汇总投票。这就是当下火热的大模型多智能体系统（Multi-Agent System, MAS）。

但很快你会发现一个扎心的事实：组队容易，排兵布阵难。同一批 AI，谁打头阵、谁做总结、谁听谁的、信息怎么流转 —— 这套 "组织架构" 直接决定团队的战斗力。架构搭得好，1+1>2；搭得不好，几个 AI 互相 "抬杠"，还不如一个单干。

那么问题来了：这套 "组织架构"，能不能不靠工程师熬夜手绘，而让 AI 自己学出来？

厦门大学 ASC 实验室团队给出了新答案。他们提出的 FlowMAS 已被机器学习顶会 NeurIPS 2026 录用：把大模型多智能体 "架构设计" 变成一个可学习的生成问题 —— 用生成流网络（GFlowNet）做发动机，配上 "好奇心" 与 "信息论" 两件武器，让 AI 团队的搭建方式第一次做到既自动、又多样、还省钱。

• 论文标题：FlowMAS: Learning Multi-Agent Workflow Topology via Information-guided Generative Flow Network
• 论文链接：//arxiv.org/abs/2609.37151

什么是大模型多智能体的 "组织架构"

论文研究的对象叫大模型智能体工作流拓扑（LLM agentic workflow topology）。把它画成一张有向无环图（DAG）就直观了：

• 节点是一个个 "算子"（operator）—— 可以理解为有具体分工的 AI 员工，各自带着模型、提示词、工具和内部工作模式（比如思维链 CoT、自我反思 Reflexion、程序员 Programmer）；
• 边代表信息从谁流向谁。
• 再复杂的组织架构，都由三种基本 "积木" 拼成：
• 链式（Chain）：流水线，一个干完下一个接上；
• 扇出（Fan-out）：一个任务分发给多个 AI 并行探索；
• 扇入（Fan-in）：多路信息汇总到一个节点做整合。

就像乐高积木，这三种基础件能拼出树、菱形、层级等任意复杂结构。论文要解决的核心问题是：面对一个具体任务，如何从组合爆炸的 "拼法" 里，自动生成最好的那一种？

四大门派，各有 "内伤"

在此之前，学界业界已经探索出四条路线，但每条都有绕不开的痛点：

1. 手工派（MetaGPT、LLM-Debate 等）：资深工程师凭经验手绘架构。费时费力，换个任务就得推倒重来，像老裁缝一件件手工定制西装。
2. 搜索派（ADAS、AFlow 等）：在巨大设计空间里反复试错、迭代评估。效果不错，但极其 "烧钱"—— 每试一种架构都要真实调用大模型，token 如流水；可选算子一多，搜索还容易 "失灵"。
3. 文本梯度派（OneFlow 等）：让大模型当 "教练"，看结果写评语、提修改意见。问题是评语太粗 ——"这次考得不好，继续努力" 式的反馈，说不清到底是哪一步的结构出了问题（也称为信用分配困难）。
4. 生成派（G-Designer、MaAS、GTD 等）：用生成模型直接 "画" 架构，是目前表现最强的一类。但它们所用的 VAE、扩散模型等 "发动机"，本是为生成图像、向量设计的，对付不了拓扑这种离散且带复杂依赖的数据 —— 结果就是生成的架构千篇一律，难以 "一题一策"。

FlowMAS 第一招：换一台 "为离散结构而生" 的发动机

FlowMAS 选择的核心生成骨架，是生成流网络（Generative Flow Networks, GFlowNets）。这一框架由图灵奖得主 Yoshua Bengio 团队提出，最早用于药物分子生成 —— 在离散组合空间里高效探索多样的候选分子。

它的思想很优雅：把整个生成过程看成一张有向无环图上的 "流"。从一片空白开始，每加一个节点、连一条边，就是流向前推进一步；训练目标是让每种最终架构被采样到的概率正比于它的奖励（任务表现、成本等综合评分）。好架构多生成，差架构少生成，且不会 "只见树木不见森林"—— 多样性被天然保留，这正好治了生成派 "千篇一律" 的病。

图 1｜FlowMAS 总体框架图。来源：原论文 Figure 1，第 3 页。

把发动机装进车里，还要解决两个坑

GFlowNet 虽好，但它是为分子生成而生的，直接搬到大模型多智能体系统上会 "水土不服"：

• 结构挑战：只靠最终奖励，模型容易 "扎堆"，探索不到足够多样的架构；
• 信息挑战：分子没有 "交流" 问题，而大模型多智能体系统的命脉恰恰是信息交换 —— 多个 AI 给出的信息可能互补、可能冗余、也可能产生 "化学反应"，这直接决定协作成败。

FlowMAS 的关键机制创新是：别等期末才打分，平时就发 "过程性奖励"。论文提出在工作流搭建的每一步，就给中间结构评估并注入 "中间奖励流"，并为此重新推导了 GFlowNet 的流守恒与轨迹平衡约束。直觉上，这让 "苗子好" 的半成品架构早早被识别出来，而不是等到盖完楼才发现地基歪了。

两件 "秘密武器"：好奇心 + 信息论

过程性奖励由两个模块供给：

好奇心驱动模块（CDM）：给 "没见过的新结构" 发奖励。借用强化学习中随机网络蒸馏（Random Network Distillation）的思想：用一个可训练的预测网络去拟合一个固定目标网络的输出 —— 猜得越不准，说明这个结构越新奇，奖励越高。于是模型像充满好奇心的探险家，专挑没人走过的路网，架构多样性就此打开。

信息引导优化模块（IOM）：用信息论给 "协作质量" 打分。

• 协同信息奖励：借部分信息分解（Partial Information Decomposition, PID）的思想，把多个上游 AI 对答案的信息贡献拆成 "独有的、冗余的、协同的" 三份，专门奖励"1+1>2" 的协同部分—— 单干给不出、重复不算数的增量信息；
• 有效信道奖励：把各路上游输出的余弦相似度组成 Gram 矩阵并计算谱熵，衡量信息是否均匀分布在各条通信通路上。熵太低，说明信息挤在少数 "主干道" 上，存在冗余占位或 "摸鱼" 分支；熵高而均匀，说明每条通路都在做贡献。

值得一提的是，信息打分只在训练阶段使用；部署推理时既不需要标准答案，也不需要这些奖励，完全不增加使用成本。

实验：全面领先，还更省钱

评测阵容：6 个公开基准（数学推理 GSM8K/MATH、代码生成 HumanEval/MBPP、阅读理解 HotpotQA/DROP）× 3 种大模型底座（GPT-4o-mini、Llama-3.1-8B、Gemma-4-26B）× 15 个基线方法。

成绩单一目了然：

• 在 Llama-3.1-8B 上，FlowMAS 六项平均 70.50 分，超过最强自动化基线 MaAS（67.73）与 AFlow（67.55）；GPT-4o-mini 与 Gemma-4-26B 上同样全面第一（平均 81.40 / 86.92）。
• 综合三个底座，FlowMAS 比手工设计方法平均高8.17 分，比现有自动化方法平均高6.12 分。
• 在较弱的 8B 小模型上优势尤为明显 —— 说明方法不靠 "抱大腿"，小模型也能组出强队。

表 1｜在 6 个公开基准上的性能对比。来源：原论文 Table 1，第 7 页。

成本账同样漂亮：在 HumanEval 上，AFlow 的推理 token 消耗是 FlowMAS 的 15 倍以上，精度反而低 4.5 个点；ADAS 的训练 token 消耗更是高达 FlowMAS 的 220 倍。

表 2｜在 HumanEval 上的计算效率对比。来源：原论文 Table 3，第 8 页。

消融实验进一步验证了设计的必要性：把发动机换成 VAE、图扩散、Transformer 或 MLP，性能全面下降；拿掉好奇心模块或信息引导模块，成绩同样明显下滑（HumanEval 从 69.6 掉到 62.8），而且换成图编辑距离、ICM、LLM-as-Judge 等替代方案也补不回来 —— 两大组件缺一不可。

表 3｜不同生成 backbone 的性能对比。来源：原论文 Table 4，第 8 页。

表 4｜不同模块的消融。来源：原论文 Table 5，第 9 页。

一个直观的案例：在 DROP 阅读理解任务上，FlowMAS 自动演化出了 "证据抽取 — 分解 — 计算 — 聚合" 的分工结构并答对题目；而 AFlow 与 MaAS 生成的架构无法显式分解证据，双双答错。

结语

过去我们调提示词、调单个模型；今天，我们开始 "调团队"。FlowMAS 的意义在于：把 "如何组织 AI 团队" 这件事，从一门手工艺术变成了可学习、可优化、可度量的科学问题。

当 AI 员工越来越多，或许最需要被 AI 化的，正是 "管理 AI" 本身。