多智能体越学越乱，问题可能出在没人认领失败

多智能体系统失败后让模型自己改，常见问题是改哪里、改多少全靠模型感觉。改完可能变好，也可能把路由、提示词、技能搅成一团。

Amazon 和 UC San Diego 的论文 EMMA 想收窄这个口子。它把多智能体系统的配置当成结构化情景记忆，失败后先认定责任，再只改一处。

先补背景。专业领域部署 LLM Agent 需要细粒度流程和知识。参数训练贵，不可解释。人工设计 Agent 系统把成本转给专家。情景记忆在上下文层面更新，但单 Agent 适应难以缓解跨任务干扰，多应用导航、数据池分析这类复杂任务更明显。多智能体进化能缓解，现有方法对更新规则定义不清，依赖主干模型决定改哪里、改多少。学习跟着主干的结构偏好走，有的主干不断积累技能，有的不断生成 Agent。

EMMA 的系统有三部分，都由同一个 LLM 跑。控制器规划每个任务，逐步执行，每一步选择子 Agent 和技能。子 Agent 从通才开始，每个专家继承通才提示词，加上自己的角色方法。技能是短程序，比如算法或坑点清单。EMMA 把控制器的路由记忆、Agent 提示词、技能都当成情景记忆，从失败中改进。失败后 reflector 判断三者中谁拥有修复权，并只在那里提一次编辑。与主干无关的 guards 保证每次接受的编辑有范围、增量、有界。

结果在五个主干、四个基线 ACE、GEPA、EvoMAS、ADAS 上比较。EMMA 在 KramaBench、AppWorld、BBEH 上整体最好，最高超过最强基线 32.5%，跨主干一致提升。训练执行比最高效基线少 17% 到 38%。

X 用户 SiEdge 说，让 reflector 判断修复属于路由、提示词还是技能，是这套方法聪明的地方。小满的评论更直接：先归因再动手，相当于给 Agent 做责任认定。她追问归错因的比例有多高。

这个追问不轻。Euan Cox 担心 reflector 总能找到负责人。有些失败是坏输入，不是路由或技能的问题。为这些失败做编辑，系统会悄悄变差。他好奇 guards 是否允许系统决定什么都不用修。

另一个容易被忽略的点是遗忘。Tinker 说，情景记忆把一次性修复变成可复用的东西，难的是决定忘掉什么。记忆里堆满过期情节，比空白更糟。Krrish 提到自己的 Agent 共用一个 Notion 数据库当记忆，直到让它们开始删除旧笔记，之前大部分是噪声。

自我改进也会倒退。plankton 说，他第一次“改进”的 X 写作技能在盲评里 16 比 3 输给开源原版。只有基于原版的小改动赢了。guards 看起来是重要的部分。

多 Agent 共享工作时，记忆的问题更复杂。Alex Khinevich 说，他们调查 Claude Code 和 A2A 时，每个工具都保留自己的日志，没有共享。一个 episode 应该记录谁行动、为谁行动、凭何权限行动，不只记录发生了什么。

EMMA 的价值不在“记忆”这个词，在把更新权限收窄。记忆系统真正的成本是维护，不是存储。能决定不改，可能比能改更重要。公开介绍里没展开归因错误率，也没说 guards 允许不修的比例。这两个数字，比多 32.5% 更能决定它能不能落地。

论文：https://arxiv.org/abs/2610.35966

Chat with Paper：https://academy.dair.ai/papers/emma-structured-episodic-memory-for-multi-agent-workflow-synthesis-2610.35966