级联感知多智能体路由：时空侧车与几何切换
在高级AI推理系统中，符号图网络已成为一种常见的架构模式——由专门化的智能体或模块通过委托边连接，任务在动态执行图中进行路由。然而，当前的路由调度器大多只关注负载均衡和任务适配度，却忽视了网络几何结构对故障传播的深远影响。这种“几何盲视”可能导致系统在特定拓扑下异常脆弱。
几何盲视：被忽视的系统风险
论文指出，现有调度器未能建模故障在树状结构与循环密集结构中传播的差异：
- 树状委托：单个故障可能引发指数级级联失效
- 循环密集图：故障往往能自我限制，传播范围有限
这种差异源于网络拓扑的固有特性。树状结构缺乏冗余路径，一旦关键节点失效，依赖它的所有下游任务都会崩溃；而循环图则通过多路径提供容错能力。
解决方案：时空侧车与自适应几何切换
研究团队提出了一种轻量级缓解方案，核心是在线几何控制框架，包含三个关键组件：
- 欧几里得时空传播基线：提供基础的故障传播建模
- 双曲路由风险模型：引入时间衰减机制（可选突发激励），更精确地量化长期风险
- 几何选择器：基于结构特征的机器学习模型，决定何时切换几何处理模式
几何选择器是一个紧凑的MLP（9→12→1），仅需133个参数，却能从六个拓扑统计量和三个几何感知信号中学习：
- BFS壳层增长斜率
- 循环秩范数
- 拟合的庞加莱曲率
性能突破：从64%到92%的胜率提升
在Genesis 3基准测试中，自适应几何切换展现了显著优势：
- 在最困难的非树状场景中，胜率从固定双曲变体的64-72%提升至92%
- 整体胜率达到87.2%
对比实验更凸显了其价值：仅使用原生赌博机/LinUCB信号（团队适配度和平均节点负载）的基线方案，整体胜率仅为50.4%，在树状场景中更是低至20%。而完整的时空侧车方案不仅将整体胜率提升36.8个百分点，在树状场景中更实现了48-68个百分点的增益。
系统级意义：轻量级组件的巨大价值
这项研究最引人注目的发现是：一个仅133个参数的侧车组件，就能在一个高能力执行图系统中显著缓解几何盲视导致的故障传播。这为AI系统架构设计提供了重要启示——系统鲁棒性不一定需要复杂的重设计，有时精准的轻量级干预就能产生巨大影响。
未来展望
虽然研究聚焦于特定的执行图系统，但其核心思想——将几何感知引入多智能体路由——具有广泛的适用性。随着AI系统日益复杂，多智能体协作成为常态，如何防止局部故障演变为全局崩溃，将是确保系统可靠性的关键挑战。
这项工作的价值不仅在于具体的技术方案，更在于它提醒我们：在追求AI系统性能优化的同时，必须深入理解其内部结构的动态特性。毕竟，最先进的AI系统，也需要最基础的容错保障。
