多开几个Agent很容易，多走几十步仍不把早期错误放大才难。9月14日提交的Stellar Colosseum论文，把数学和理论计算机科学研究组织成路线探索、成熟度判断、分段证明、针对性反证与反馈修复。它对开发者最有用的启示不是“Agent数量越多越聪明”，而是每个结论都要保留依赖关系，让验证失败能准确退回原步骤。

论文做了什么

研究者提出一个与具体模型无关的推理脚手架。系统先并行探索多条证明路线，不急着写完整答案；再通过“readiness gate”判断路线是否成熟，只有关键引理和障碍足够清楚才继续分解。随后，整体证明被表示成互相依赖的章节级子问题，每个候选都接受针对性反驳，验证器发现的问题会回传到受影响的部分。

作者报告，使用Gemini 3.1 Pro和Gemini 3.7 Flash时，系统在TCS-Bench研究级定理证明任务上达到71.0%准确率；在另一组Codeforces评测中，带执行反馈的证明导向流程解决222题中的218题。作者还称系统得到若干针对既有论文开放问题的新结果。它们是论文方结果，尚不能替代同行评审、形式化证明或社区复现。

为什么长任务容易崩

短题错一步，最终答案很快暴露；长研究的中间结论可能在几十步后才被使用。若系统只在最后让多个Agent投票，一个共享的错误假设会被包装得更一致，却不会消失。Colosseum的价值在于把“谁依赖谁”显式化：验证器指出某个引理缺条件，系统只重做相关分支，而不是用一段更长的自然语言掩盖问题。

生活中的类比是软件持续集成。多个开发者并行提交代码并不自动提升质量，必须有测试、依赖图和失败定位。类比的边界也很重要：数学证明的正确性比一般软件需求更严格，运行几个样例不能证明定理成立，自然语言评审器也可能与生成器共享盲点。

能迁移到哪些开发场景

最直接的不是让AI发表论文，而是处理有明确工件和检查器的长任务。例如大型代码迁移可先提出数据库、接口与部署三条路线，再用兼容性测试和静态分析攻击每条假设。安全审计可把攻击面拆成权限、输入、网络和供应链，并让验证结果回到对应证据，而不是汇总成一句“风险较高”。

设想把一个Python单体服务迁移到事件驱动架构。生成Agent提出事件模型，挑错Agent专门寻找重复消费与顺序问题，执行器跑集成测试，聚合器只接收有日志和测试证明的修改。若订单幂等测试失败，系统应退回事件处理分支，而不是重写整份架构说明。

我的判断与风险

我的判断是，多智能体的下一阶段会从“角色扮演”转向“可检查的推理项目管理”。真正带来收益的变量包括路线多样性、何时停止探索、验证器是否独立、错误能否回流，以及最终工件能否复现。Agent数量只是成本参数。

风险也很清楚。第一，基准使用的模型、提示和预算会显著影响结果，71.0%不是框架在所有模型上的固定能力。第二，Codeforces通过测试不等于研究证明正确，隐藏测试也可能不完整。第三，多Agent共享同一模型时会形成相关错误；增加调用次数还会放大成本。第四，论文声称的新结果需要领域专家逐项检查，不能当作已被学界接受的事实。

一份可执行的小型流程

• 先写验收条件：测试、数据来源、允许的工具和停止规则。
• 要求三个候选路线使用不同假设，而不是换措辞重复同一路线。
• 在完整生成前设置成熟度闸门，缺少证据就暂停扩写。
• 为每个子结论记录输入、输出、依赖和验证方法。
• 单独安排反例搜索者，奖励发现错误而非附和主方案。
• 聚合时只采纳通过检查的片段，并保留失败记录。
• 最终让未参与生成的人或工具独立复核。

不适合把这套流程用在没有明确验收标准的价值判断，也不适合为了“像团队”而无限增加Agent。预算有限时，一个生成器加一个强验证器，往往比五个相互赞同的生成器更可靠。

你更愿意把额外推理预算花在生成更多方案，还是专门攻击最脆弱的那个假设？

关注「蜗牛聊AI」，一起看懂技术变化背后的真正机会。