去中心化直连
每个 Agent 地位对等，可以与任意相关 Agent 点对点通信，避免中心节点成为信息瓶颈。
Swarm Architecture
协作能力本身，需要被设计和学习。
Swarm 是梯度回音自研的多智能体协同架构。它不把 Agent 当作被中心节点调度的执行器，而是让 Agent 以对等网络的方式感知、沟通、协商和收敛。
我们关注的核心问题是：一个 AI 应该在什么时候开口，应该和谁交流，以及应该以什么方式交流。
Architecture Principles
三条底层原则。
自发协同
任务进入系统后，Agent 根据语义结构与执行状态形成临时协作网络，而不是依赖人工预设流程。
独立演进
高质量协同轨迹会持续反哺协同模型本身，让系统越协作越懂协作。
Technical Pillars
三项关键技术支柱。
Routing
动态协作路由模型
我们训练了专门判断协同行为的小参数模型。它不负责替 Agent 完成任务，而是判断当前状态下哪些 Agent 应该交流、谁更适合成为对话对象、什么时候需要等待或广播。
- 训练数据来自真实多 Agent 运行轨迹，而不是公开互联网文本。
- 决策目标是信息互补，而不是表面语义相似。
- 用于降低协作噪音，避免“多 Agent 越协同越乱”。
Reverse Search
大规模 Agent 网络下的反向搜索
当 Agent 数量扩展到几十甚至上百个时，直接把所有状态交给路由模型会造成上下文爆炸。反向搜索先在大规模网络中定位高价值潜在协作者，再交给路由模型做精细判断。
- 适合大型工程、投研和科研流程中的多角色协同。
- 先缩小候选集合，再做深度协作决策。
- 让系统规模扩展时仍保持可控成本。
SCI
Synthetic Context Injection
每个 Agent 需要感知整体状态，但不可能读取所有 Agent 的完整上下文。SCI 将全局活动状态压缩为可注入的合成上下文，让 Agent 在推理前获得必要的全局感知。
- 把跨 Agent 状态压缩到可管理的上下文规模。
- 让单个 Agent 既保留专业焦点，又理解全局进展。
- 减少重复工作和晚期集成冲突。
Research
研究方向服务于可验证的工程落地。
梯度回音不是只做工程封装。我们认为多智能体协同要真正成立，必须在通信协议、协作数据、网络拓扑、路由收敛和后训练范式上持续研究。
当前研究重点包括：多智能体协同的形式化建模、协作数据集构建、SFT/DPO/RPO/GRPO 链路、大规模 Agent 网络拓扑，以及国产基座模型在协同架构中的能力激发。
我们坚持可复现、可验证的原则。公开 Benchmark 成绩、技术报告和评测轨迹，会作为外界理解 Swarm 能力的主要材料。
FAQ
常见问题。
你们和普通多智能体框架有什么区别？
普通框架多是工作流节点编排，Agent 之间缺少真正横向协同。Swarm 重点解决何时沟通、与谁沟通、如何沟通这三个协作决策问题。
成绩是否只是因为用了更强模型？
公开榜单中，我们强调的是同等或相近基座模型下协作结构带来的能力增益。差异不只来自模型本身，而来自协作路由、共享上下文和交叉校验。
多智能体是否会显著增加成本？
会增加推理成本，但不是简单线性增长。对复杂任务而言，更早发现冲突、减少返工和提升完成质量，通常比让单 Agent 反复重试更有性价比。
企业现在如何合作？
WeCode 和行业方案当前更适合重点企业 PoC、联合研发与私有化部署评估。你可以通过下方邮箱联系，说明场景、数据环境和希望验证的目标。
技术合作、行业 PoC、招聘与媒体咨询。
欢迎大型企业、研究机构、工程团队和行业伙伴联系。
3525983226@qq.com