工具arxiv cs.AI · 1mo ago必读
What Should Agents Say? Action-state Communication for Efficient Multi-Agent Systems
分类释义：开发工具与基础设施
TL;DR
PACT 通过将 agent 原始输出投影为紧凑的 action-state 记录，在不同 MAS 拓扑下实现任务性能相当的同时大幅削减 token 使用量，OpenHands 提升 -10% tokens-per-resolved，SWE-agent 输入 token 减半。
关键要点
- 01PACT 通过将 agent 原始输出投影为紧凑的 action-state 记录。
- 02在不同 MAS 拓扑下实现任务性能相当的同时大幅削减 token 使用量。
- 03OpenHands 提升 -10% tokens-per-resolved。
- 04SWE-agent 输入 token 减半。
为什么值得关注
多 Agent 系统开发者在设计通信层时可以借鉴 PACT 的 action-state 投影思路：让每个 agent 只传递下游任务必需的动作和状态信息，而非完整自然语言输出，从而直接降低推理成本并缓解 context 窗口压力。代码已开源可直接集成到现有 agent 框架。
对你的工程实践意味着什么
LLM 实时生成MiniMax-M2.7缓存命中
| 角色 | 你应该做什么 |
|---|---|
| Tech Lead | 评估 PACT action-state 投影方案是否适合团队现有 agent 架构，并制定集成优先级 |
| 应用工程师 | 查阅开源代码实现，准备将 action-state 投影层集成到现有 agent 框架 |
| 运维 / 平台 | 暂无直接影响，了解即可 |
| 产品 / 业务 | 暂无直接影响，了解即可 |
同类资讯
arxiv cs.LG·1d ago
Beyond KV Reconstruction: Functional Reconstruction for MLA Draft Models in Speculative Decoding
arxiv cs.CL·1d ago
Prompt Chaining in Practice: A Case Study in Automated Scholarly Report Generation
arxiv cs.CL·1d ago
AI-assisted pre-review of open-source software submissions: an experience report from BOSC 2026
本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5