Semantic Infrastructure for Multi-Agent LLM Systems (2604.19540)¶
摘要¶
本文提出了一个关键问题：跨会话的 LLM Agent 认知协作缺乏协议层面的规范。当多个 Agent 在多天甚至数周的任务中持续协作时，它们需要跨会话共享、评估和整合彼此的认知状态。然而，现有的 Agent 通信协议（如工具访问协议、任务委托协议）只覆盖了较低层级，缺失了"语义基础设施"这一层。
本文定义了跨会话 Agent 间认知协作的三个核心问题： - P1（选择性接受）：每个 Agent 按字段决定从同伴处接受什么，而非整体接受或拒绝整条消息 - P2（来源追溯）：每个声明都可追溯到来源，返回的声明能被识别为接收者自身先前思考的回响 - P3（持久相关性）：跨会话重启仍然有效的记忆，其价值来源于存储方式本身，而非检索方式
核心贡献¶
Mesh Memory Protocol (MMP)¶
MMP 协议包含四个可组合的原语：
- CAT7：Cognitive Memory Block (CMB) 的固定七字段模式，每个 CMB 都遵循统一结构
- SVAF：逐字段评估每个 CMB，against 接收者的角色索引锚点，实现 P1
- 跨 Agent 血缘关系：内容哈希键携带 parents 和 ancestors，实现 P2
- Remix：仅存储接收者自己对每个已接受 CMB 的角色评估理解，而非原始同伴信号，实现 P3
解决的问题¶
MMP 解决了跨会话 Agent 协作中的三个协议层问题： - Agent 之间按字段选择性接受信息（P1） - 声明的来源可追溯，区分回响与新信息（P2） - 跨会话持久记忆的相关性保证（P3）
部署验证¶
MMP 已在三个参考部署中生产运行，每个会话运行一个自主 Agent 作为网格对等节点，拥有自己的身份和记忆，与网络中的其他 Agent 协作实现集体智能。
为什么重要¶
本文揭示了当前 Agent 通信协议栈中缺失的关键层次——语义基础设施。现有协议（工具调用、任务委派）只解决了"如何执行"的问题，而 MMP 解决了"如何让 Agent 理解彼此的认知状态并有效协作"的问题。这对于长期运行的多 Agent 系统（持续数天到数周的任务）至关重要。
与移动端/端侧的相关性¶
MMP 的语义基础设施设计（尤其是角色索引和认知记忆块模式）对端侧多 Agent 协作具有参考价值。固定的 CAT7 模式适合在资源受限的端侧设备上实现高效的跨 Agent 认知状态同步。
参考文献¶
（参考文献待从原文补充）