赛题题目：一种面向多智能体协作的低开销通信、状态传递与共享记忆机制（社区赛题）

赛题说明

随着大模型应用从单 Agent 问答逐步扩展到多 Agent 协同执行，智能系统正在从“单点生成”向“分工协作”演进。在检索增强生成、复杂任务规划、代码协作、办公自动化、知识分析等场景中，往往需要多个 Agent 分别承担规划、检索、执行、总结、生成等不同角色，并通过相互协作完成复杂任务。当前主流多 Agent 系统大多以自然语言或 JSON 作为通信媒介，即一个 Agent 将其中间结果组织成文本，再传递给其他 Agent 进行解析和继续处理。这种方式虽然通用性较好，但在多轮、多 Agent、复杂任务场景下存在明显不足：一是通信内容冗长、重复上下文多，token 消耗高；二是中间结果需要在“内部状态—文本—内部状态”之间反复转换，导致时延增加并可能带来语义损耗；三是任务执行过程中形成的中间知识和经验难以沉淀，系统在处理相似任务时往往仍需从头开始，缺乏持续积累和复用能力。

本赛题面向多智能体协作系统中的基础设施问题，要求选手围绕低开销通信、非文本状态传递、共享记忆复用三个方面，设计并实现一套可运行的原型系统。系统一方面需要通过结构化通信协议替代冗长自然语言交互，将 Agent 间传递的内容收敛为动作、参数、结果、能力等高密度语义单元，以降低通信成本和解析开销；另一方面需要探索 embedding、语义向量、隐藏状态特征或其他中间表示在 Agent 之间的直接传递机制，减少不必要的文本编解码过程，提高协作效率。在此基础上，还需将任务执行过程中形成的摘要、证据、策略、经验等内容沉淀为可标识、可检索、可复用的共享记忆单元，使系统具备跨任务的知识积累和协同增强能力。

本课题区别于一般的工作流编排类题目，重点不在于简单调用大模型接口和外部工具，而在于研究多智能体协作中的“系统层机制”：包括 Agent 间统一通信协议设计、中间状态表示与交换方式、共享记忆组织模型、跨任务复用机制以及整体运行效率验证。选手需面向开源操作系统或通用 Linux 环境完成原型实现，通过可复现实验验证该机制相较传统纯文本协作方式在通信开销、任务时延和记忆复用方面的改进效果。

具体要求

系统需支持不少于 3 个 Agent 协同运行，至少覆盖任务规划、信息检索、总结生成、工具执行等角色中的 3 类，并能够完成一个包含多步骤处理过程的复杂任务；
系统需设计并实现一套面向 Agent 间协作的结构化通信机制，通信内容至少包括动作类型、输入参数、返回结果和能力描述，并支持基本的握手、能力发现或协议映射机制，不得仅通过自然语言长文本直接透传全部协作信息；
系统需同时支持“纯文本协作模式”和“结构化协议协作模式”，并在相同任务条件下完成可复现实验对比；
系统需实现一种非文本中间状态传递机制，支持 embedding、语义向量、隐藏状态特征或其他中间表示在 Agent 间直接交换，并说明其生成方式、传递方式、接收方式及后续使用方式；
系统需实现共享记忆模块，能够将任务执行过程中的中间结果、摘要、经验片段、证据链、结论或策略保存为统一的记忆单元，并为每条记忆记录至少包含记忆 ID、来源 Agent、创建时间、任务主题和摘要描述等基本元数据；
系统需支持按关键词、标签或语义相似度检索历史记忆，并允许不同 Agent 在后续任务中直接复用已有记忆；
系统需至少设计 2 组具有关联性的连续任务，验证结构化通信、非文本状态传递和共享记忆复用在减少重复计算、降低协作开销和提升任务效率方面的实际效果；
系统需统计并展示 Agent 间消息次数、文本通信 token 或字符开销、非文本状态传递次数及数据规模、单任务总耗时、共享记忆命中率及整体性能提升情况；
系统架构中至少应包含多 Agent 运行时、协议解析与调度模块、状态交换模块、共享记忆存储与检索模块和评测模块，并能够稳定执行不少于 10 轮连续任务；
需提交完整源码、系统设计文档、部署文档、实验报告和演示视频，能够支持评审复现，鼓励结合 IPC、共享内存、Socket、向量数据库、WASM/容器沙箱、eBPF 等系统技术提升实现质量。
鼓励系统能够支持基于 CodeAct 模式的 Agent 执行机制，允许 LLM 生成 Python 可执行代码，并在轻量沙箱中安全运行，实现低延迟、可隔离的代码执行与结果回传能力。

CoAgent — Multi-Agent StateBus（本仓库实现）

面向多智能体协作系统层机制的可运行原型：结构化通信、shm:// 非文本向量传递、共享记忆复用；含 CodeAct 沙箱与浏览器可视化实验台。

文档	路径
参赛主报告（Word）	`docs/CoAgent_instruction_book.docx`
演示视频	`docs/5minCoAgent_demo.mp4`
原创承诺书	`docs/Commitment.docx`
作品介绍PPT	`docs/CoAgent_PPT.pptx`
系统设计	`docs/other_docs/design.md`
部署说明	`docs/other_docs/deploy.md`
实验报告	`docs/other_docs/experiment.md`
CodeAct / 协作看板	`docs/other_docs/codeact_ui.md`
DeepSeek 真 API	`docs/other_docs/llm_deepseek.md`
彩色结构图	`docs/figures/`

流水线

Planner → Retriever → Executor(CodeAct) → Compressor → Writer → Memory

启动时 CapabilityRegistry 握手与能力发现；Runtime 按能力调度，支持 text / protocol 双模式。

核心能力

模块	说明
`AgentMessage`	action / params / result / capabilities + `state://` / `vec://` / `shm://`
`StateStore`	大 payload 外置，消息只传引用
`VectorStore` + `ShmVectorBus`	hashing embedding + 共享内存传递（失败自动回退）
`MemoryStore`	元数据完整；keyword / tag / semantic / hybrid；命中节省
`CodeAct`	模板或 LLM 生成 Python + AST 白名单 + 隔离子进程
可视化实验台	CodeAct 五步链路 + 协作效能看板（全文 vs StateBus 现场对照）
Metrics / Benchmark	双模式、四组消融、稳定性 10 轮、SVG / PDF 报告

实测摘要（一次本机运行，细节见报告）

实验	关键结果
本地 `run_benchmark`	消息体积约 ↓70%，估算 token 约 ↓90%+，`shm_attach > 0`
DeepSeek `run_benchmark_llm`	真实 API token 3597 → 1277（↓64.5%）
协作看板（高/局部/低复用三组）	字节 ↓61.1%～82.1%，token ↓80.3%～95.6%，命中率 75% / 50% / 0%
CodeAct UI（古诗问答）	Guard PASS，exit=0，61.76 ms
稳定性	10/10，记忆命中率约 80%

快速运行

仅依赖 Python 3.10+ 标准库（可视化台同样不需 Web 框架）。目标平台：openEuler 24.03-LTS-SP3。

# 机制复现（零密钥）
python3 run_demo.py
python3 run_benchmark.py
python3 run_ablation.py
python3 run_stability.py
python3 run_report.py
# 或一键：
bash scripts/smoke_openeuler.sh

# 可视化实验台（推荐演示主画面）
python3 run_codeact_ui.py
# 浏览器打开终端提示地址，默认 http://127.0.0.1:8765

# 可选：真实 DeepSeek（需配置 .env，见 docs/llm_deepseek.md）
python3 run_demo_llm.py
python3 run_benchmark_llm.py

Windows 将 python3 换成 python 即可。

可视化实验台要点

CodeAct：Prompt → LLM/模板生成 → AST Guard → 隔离子进程 → 结构化回传。
协作效能：默认 Task1/Task2，可通过 + Add Task 增加 Task3/Task4；同序列跑 StateBus vs 传统全文，展示字节/token 降幅、shm/向量计数、记忆命中与 CodeAct 摘要。
趋势看板：展示随任务推进的传统模式/StateBus 累计 token，以及累计记忆命中率双轴曲线。
看板数值为本机现场实测；页面 token 为本地估算（非厂商账单）。账单级见 DeepSeek 实验。

界面采用白底、高对比度和放大字号，并提供打印样式，适合直接截图或打印为论文插图。

API Key 仅后端读 .env，勿提交仓库。沙箱为竞赛原型级隔离，生产需再加强。详见 docs/codeact_ui.md。

环境变量（可选 LLM）

DEEPSEEK_API_KEY=sk-...
DEEPSEEK_BASE_URL=https://api.deepseek.com
DEEPSEEK_MODEL=deepseek-chat
# 或通用名：LLM_API_KEY / LLM_BASE_URL / LLM_MODEL

任务设计

run_demo/run_benchmark本地测试任务：

组 A：Python import 错误系列（cv2 / numpy / …）— 命令行 demo/benchmark
组 B：Nginx / config / log 排错系列
可视化台：支持 2～4 条自定义任务及高复用、局部复用、低复用三组预设

Stability 连续跑 ≥10 轮关联任务。

项目结构

statebus/
  agents.py           # 六角色 Agent
  registry.py         # 握手与能力发现
  messages.py         # 结构化协议
  runtime.py          # 双模式运行时
  state_store.py      # state://
  vector_store.py     # vec://
  shm_vector_bus.py   # shm://
  codeact_sandbox.py  # CodeAct 沙箱
  codeact_web.py      # 可视化 HTTP 服务
  llm_client.py       # DeepSeek / OpenAI-compatible 客户端
  memory_store.py     # 共享记忆
  metrics.py / benchmark.py / report_svg.py / tasks.py
web/                  # 实验台前端
run_demo.py / run_benchmark.py / run_ablation.py
run_stability.py / run_report.py
run_demo_llm.py / run_benchmark_llm.py
run_codeact_ui.py

设计约束

Agent 间不传大文本；大 payload → StateStore，向量 → VectorStore / SHM
消息字段超过 300 字符报错；state:// / vec:// / shm:// 强制校验
默认单进程、内存态、标准库-only，便于评审复现
可选 LLM 与可视化台不改变协议层抽象