简介多智能体 Agent 领域动态拓扑是近年 arxiv 上的热点方向。海外大量研究聚焦运行时修改计算图结构代表工作 MermaidFlow、HyEvo、AdaptOrch核心做法是允许节点新增、删除、重新连线依靠演化算法、强化学习搜索适配任务的 DAG 图目标直接指向做题准确率、token 开销这类外在指标。国内前沿代表 MMATMechMath Agent Team中科院数学院数学智能体采用控制‑执行‑增强三层 Harness 架构拆分 20 个专项子 Agent已经实际攻克数论、代数 8 个公开数学问题完整做完 IMO2026 全部六道题的推理加形式化验证。但这套分层调度只停留在课题组内部科研没有下沉到大学本科教学。高校课堂普遍讲授固定计算图、固定执行流程训练学生在给定流程下求解给定问题几乎不会把 “工作流拓扑本身当作可调节的自由度”。两类路线存在本质区分一类是生成全新拓扑可以改动节点集合另一类是模块集合完全守恒仅重排执行次序、改变数据流走向算子与模块内部逻辑完全不变依靠切换顺序来切换系统推演视角不去新增销毁组件。现实真实案例案例1海外生成式动态拓扑允许增删节点arxiv 公开工作1HyEvo 数学题演化工作流初始只有一个简单大模型解题节点。系统发现数学计算经常出错运行时新增独立 Python 代码校验节点又发现错误之后没有修正通道新增自我纠正循环节点后续还把原始解题节点拆成 “问题分析”“逻辑推理” 两个新节点。整个过程节点数量越变越多图结构被改写。同一个数学题系统自动演化出一套越来越复杂的图追求解题正确率提升。特点会新增、拆分节点模块集合不是固定不变。2MermaidFlow 代码任务演化工作流针对 HumanEval 代码数据集系统把两套旧工作流做交叉变异把 A 工作流的测试节点、B 工作流的多模型集成节点拼接在一起生成全新的 Agent 图。过程里可以删掉没用的节点、新增中间校验节点最后选出在代码生成上表现最好的新拓扑。特点不固守预先定义好的组件池允许通过变异产生新的图结构。3AdaptOrch 任务自适应编排拿到一个复杂任务首先分解出一批子任务节点实时构建 DAG 依赖图任务执行失败直接修改图的链路调换部分子任务的依赖关系。它是为这个具体输入任务现场搭建一套图任务换一张拓扑往往也要重新生成。以上海外全部动态拓扑的共性为性能指标服务节点可以增删、拆分、销毁。它们没有探索这样一种模式所有模块完全不动仅仅改变启动顺序以此切换整套系统看待问题的视角。案例2MMAT中科院 MechMath Agent Team分层调度真实场景以稀疏多项式公开问题的长期科研项目为例控制平面作为总调度调度文献检索 Agent、猜想生成 Agent、反例搜索 Agent、形式证明 Agent 等 20 个子单元。调度可以让文献 Agent 先跑再交给猜想 Agent也可以先生成猜想再调用检索。但各个子 Agent 的基础执行流水线本身是写死的。调度只是选择调用谁、什么时候调用谁不会做 “全套模块全集保留仅仅系统性重排全部模块的先后次序以此切换推演范式”。MMAT 解决公开数学问题时可以回溯失败分支可以切换子任务但不会出现同一套完整组件换一遍全局执行顺序就从 “复盘验证模式” 切换到 “反向企划设计模式”。这套架构能力很强但 “顺序作为元自由度” 不是它原生设计目标。并且这套前沿系统普通本科生课程完全接触不到。案例3高校课程里的固定计算图现实例子本科《大模型应用开发》、智能体相关实验作业典型作业搭建 “意图识别‑工具调用‑结果整理” 三段 Agent。代码里面执行顺序硬编码意图识别→工具调用→结果整理。学生只允许修改每个模块内部提示词、参数作业、习题、考试不会提出问题如果我把工具调用放到最前面整套系统会变成什么模式流程被看作是写死的工程骨架不属于可以实验、可以切换的变量。绝大多数学生的思维里模型 模块 固定顺序。案例4“模块全部保留仅重排执行顺序” 的现实类比现实业务逻辑非 AI 论文项目评审的一套固定组件风险评审、硬件资源核算、方案推演、效益评估一共 4 个环节组件功能全部固定不变。顺序 A方案推演→硬件核算→效益评估→风险评审。先推演方案最后看风险。对应复盘、事后评估。顺序 B效益评估先行→风险评审→硬件核算→方案推演。先定效益目标、锁死风险红线反推可以接受的硬件最后生成适配的方案。属于企划设计。顺序 C风险评审最先启动→硬件核算→方案推演→效益评估。风险红线第一不合格直接拦截只做绝境保守推演。四个环节没有新增没有删除每个环节内部判断逻辑一行不改仅仅改变先后次序整套业务的思考范式、适用场景彻底改变。这就是 “固定模块集合流转顺序作为自由度” 的现实实例。当前 AI 公开研究很少专门针对该模式做系统研究。范式区分用案例说明差异生成式动态拓扑HyEvo/MermaidFlow真实行为遇到数学题我新增校验节点、拆分推理节点造出新图拿到更高正确率。变化对象节点数量、节点功能、连接关系。目标任务指标优化。MMAT 分层调度真实行为有一堆数学专用子 Agent总调度挑选部分 Agent、分配子任务可以回溯失败分支但全套组件不会做全局完整重排来切换推演范式。变化对象任务分配、调用时机、分支回溯整套组件的全局执行排列不作为一等元操作。固定模块‑仅重排序上面项目评审类比真实行为所有模块一个不少内部逻辑完全不变只改变全部模块的启动先后与数据流回流路径切换系统的思考立场。变化对象执行排列、数据流向模块集合、模块内部函数完全不变。目标切换推演范式复盘 / 企划 / 风险优先不是单纯刷准确率。教科书固定计算图真实行为顺序写死学生不能改动执行次序只能调内部参数。变化对象无流程属于不可操作的实现细节。一、拓扑范式数学形式化定义为清晰量化两类核心拓扑范式的本质差异本文给出统一数学定义区分生成式演化拓扑与固定模块重排序拓扑。1.1 基础定义智能体工作流拓扑可抽象为有向无环图G(V,E)G(V,E)G(V,E)其中VVV模块/节点集合子智能体、工具、推理单元EEE有向边集合数据流依赖、执行先后关系F(v)F(v)F(v)节点内部固定算子逻辑不可动态修改1.2 生成式动态拓扑范式海外主流范式核心特征节点集合、边集合均可动态变更模块集合不守恒Gt1Evolve(Gt),Vt1≠Vt ∪ Et1≠EtG_{t1} \text{Evolve}(G_t),\quad V_{t1} \neq V_t \;\cup\; E_{t1} \neq E_tGt1​Evolve(Gt​),Vt1​Vt​∪Et1​Et​优化目标最大化任务外在指标max⁡ Acc(G) or min⁡ TokenCost(G)\max \; \text{Acc}(G) \;\; \text{or} \;\; \min \; \text{TokenCost}(G)maxAcc(G)orminTokenCost(G)该范式允许节点新增、拆分、删除、链路重组通过改变系统组件基数适配任务HyEvo、MermaidFlow、AdaptOrch 均属于此类。1.3 固定模块重排序范式本文核心新范式核心特征模块全集严格守恒仅置换执行顺序与数据流链路Vt1Vt,∀v∈V, F(v)t1F(v)tV_{t1} V_t,\quad \forall v\in V, \; F(v)_{t1}F(v)_tVt1​Vt​,∀v∈V,F(v)t1​F(v)t​Et1Permute(Et)E_{t1} \text{Permute}(E_t)Et1​Permute(Et​)核心约束无节点增删、无算子修改、仅排列置换优化目标切换系统推演范式而非单一指标优化Mode(G)∈{复盘验证,正向企划,风险优先}\text{Mode}(G) \in \{\text{复盘验证},\text{正向企划},\text{风险优先}\}Mode(G)∈{复盘验证,正向企划,风险优先}1.4 关键区分公式分支路由 vs 全局重排传统条件分支if-else 动态路由存在节点舍弃Vrun⊂VallV_{\text{run}} \subset V_{\text{all}}Vrun​⊂Vall​固定模块全局重排全模块参与推演VrunVallV_{\text{run}} V_{\text{all}}Vrun​Vall​这是现有研究最容易混淆的核心边界路由是筛节点重排是换顺序。二、核心范式极简伪代码2.1 生成式拓扑演化伪代码对标 HyEvo/MermaidFlow# 生成式动态拓扑允许增删节点、重构图结构defevolve_topology(origin_graph,task_sample):# 1. 评测当前拓扑性能scoreevaluate_task(origin_graph,task_sample)# 2. 图变异新增/删除/拆分节点核心特征new_graphmutate_graph(origin_graph,add_nodeTrue,del_useless_nodeTrue,split_complex_nodeTrue)# 3. 择优保留新拓扑new_scoreevaluate_task(new_graph,task_sample)returnnew_graphifnew_scorescoreelseorigin_graph2.2 固定模块重排序伪代码# 固定模块重排序模块守恒、逻辑不变、仅换顺序classFixedModuleRearrangeAgent:def__init__(self):# 固定模块池全集守恒运行时不增删self.module_pool[risk_audit,resource_check,scheme_simulate,benefit_evaluate]# 通过排序策略切换推演范式defswitch_infer_mode(self,modereview):ifmodereview:# 复盘模式先推演、后校验self.exec_order[scheme_simulate,resource_check,benefit_evaluate,risk_audit]elifmodeplan:# 企划模式先定目标、反推方案self.exec_order[benefit_evaluate,risk_audit,resource_check,scheme_simulate]elifmoderisk_first:# 风险优先模式前置拦截self.exec_order[risk_audit,resource_check,scheme_simulate,benefit_evaluate]defrun(self,input_data):# 全模块遍历、无舍弃、无修改仅顺序不同resinput_dataformoduleinself.exec_order:resmodule(res)returnres2.3 MMAT 式分层调度伪代码# MMAT 分层调度选节点执行不全局重排defmmat_schedule(task):# 从模块池中挑选部分子Agent执行selected_agentsschedule_select(task.all_agents,task)# 固定子模块内部流程仅调整调用时机与分支foragentinselected_agents:agent.fixed_pipeline(task)# 支持回溯但不全局重排所有模块returntrace_back_failure(task)三、边界与现存缺口1海外动态拓扑方向精力集中在增删、拆分、拼接节点来生成新图。即便支持条件分支、动态路由条件分支只是跳过部分节点不等于全部模块全集参与、仅重排全局次序。它们的优化目标聚焦准确率、token 消耗不会把 “切换推演思考范式” 作为系统目标。HyEvo 遇到难题选择新增节点而不是原地重排已有全部模块。2MMAT 代表国内高质量本土多 Agent 工作实现控制‑执行‑增强分离面向长周期数学科研但是该技术封闭在前沿课题组不会进入本科教学。学生上课接触的仍然是固定流程的 Agent 示例。3大学教学体系普遍存在认知盲区计算图、执行流转被视作底层工程实现细节没有训练学生把 “流转排列顺序” 当作模型层面的设计自由度。学生擅长使用现成框架缺少元层次的思考训练。4两类范式并不互斥可以组合使用外层允许生成新节点内层允许在固定组件池内部做全局顺序重排。但目前公开论文中这条组合路径几乎没有探索。5关键区分简单 if‑else 条件分支 ≠ 模块全集重排序。if‑else 是跳过部分节点重排序模式下全部模块都参与本轮推演只是启动先后、数据回流路径发生变化。现存核心缺口现有公开研究热衷于 “创造新组件、新连接”但对 “复用全部已有组件依靠全局顺序切换改变系统推演范式” 这条路线挖掘不足教育层面尚未把工作流拓扑提升到模型一等自由度。四、总结与未来展望4.1 全文总结本文系统梳理了多智能体动态拓扑领域的两类核心对立范式以 HyEvo、MermaidFlow 为代表的生成式拓扑演化范式以及本文重点阐释的固定模块全集重排序范式同时对标国内顶尖的 MMAT 分层调度架构与高校传统固定计算图教学模式完成了范式的边界界定、案例拆解与数学形式化。现有主流研究的核心逻辑是以结构换性能通过增删节点、重构计算图拟合任务指标而固定模块重排序范式的核心价值是以顺序换范式在零组件新增、零逻辑修改的前提下通过全局执行排列变换让同一套智能体系统拥有复盘、企划、风险优先等多种推演思维模式实现了结构守恒、范式可变的全新设计思路。同时本文厘清了行业认知误区条件分支动态路由与全局模块重排存在本质差异前者是节点筛选的工程优化后者是顶层推演范式的模型级创新。4.2 未来研究展望1混合拓扑范式是未来核心方向将海外生成式图演化与国内固定模块重排序结合构建“外层动态增删节点、内层全局顺序重排”的双层拓扑架构。简单任务复用固定模块重排降本复杂任务通过拓扑演化增强能力兼顾范式多样性与任务准确率。2拓扑顺序的量化学习与自动调度当前重排策略依赖人工定义未来可通过强化学习、大模型语义理解根据任务类型自动匹配最优执行顺序实现“输入任务→自动切换推演范式”的端到端自适应智能体。3填补高校教学认知空白将“拓扑顺序作为一等自由度”纳入大模型智能体开发教学打破学生“模块固定流程”的固化思维培养面向拓扑设计、范式切换的高阶工程思维。4落地垂直行业场景固定模块重排序范式极其适配科研推演、工程评审、方案设计、风险管控等结构化场景可快速落地数学证明、工程立项、代码审计、风控决策等领域具备极高的工业与科研落地价值。5轻量化可解释智能体构建相较于黑盒拓扑演化固定模块重排的执行逻辑完全可控、可溯源模块无新增、逻辑无篡改在需要高可信、可解释的专业智能体场景具备天然的合规与技术优势。结语动态智能体拓扑的竞争已经从“能不能改结构”进入“能不能改思维”的新阶段。生成式演化解决了智能体做得更准的问题而固定模块重排序解决了智能体想得更全、视角更多元的问题二者互补融合将是下一代通用智能体工作流架构的核心演进方向。