MaSRead：让复制潜在存储实现按内容寻址读取
让 AI 代理共享“思考过程”？MaSRead 提出按内容寻址的读取方案
多智能体系统正从“对话协作”走向“共享计算状态”。独立运行的 AI 代理如果都在潜在空间（latent space）中进行推理，它们能否直接分享内部计算状态，而不是交换文本？这听起来很科幻，但一篇来自 arXiv 的新论文《MaSRead: Content-Addressed Reading of Replicated Latent Stores》正在尝试将这一设想变为现实。
问题：缓存碎片合并了，但读不出来
论文提出，独立代理可以在潜在空间中把计算状态保存为键值缓存片段（key-value cache fragments），这些片段通过无冲突复制数据类型（CRDT）合并，形成一个可以在任何网络条件下收敛的分布式存储。听起来很完美？但有个致命缺陷：当多个片段被存放在同一位置时，它们会互相干扰，导致后续的查询无法可靠地读取合并后的缓存。换句话说，合并存储不等于可以按地址读取，共置不等于可寻址。
方案：按内容寻址，而非按位置
MaSRead 的核心思路是把读取请求路由到内容本身，而不是依赖物理位置。它通过从片段中提取的不透明键标签集（opaque keyed tag sets）进行路由，并在解码每个选中的片段时，使用硬注意力掩码（hard attention mask）隐藏其他片段，从而隔离出目标内容。
在多跳查询场景下，MaSRead 利用“词汇连通性”（lexical connectivity）进行图遍历，沿着内容关联找到所需的多个片段。实验覆盖了链式、流水线、对称、中心辐射（hub）以及自然语言存储等多种拓扑结构，结果显示：
- MaSRead 能在隔离状态下恢复已访问的片段；
- 即使无关片段不断累积，其性能依然稳定；
- 方法可以跨模型家族迁移，即在一个模型上训练的标签集能用于另一个模型。
效率与局限
在路由完成后，物化解码的复杂度只取决于片段长度，而非整个存储的大小。但端到端的开销仍然包含与存储规模相关的路由过程，以及每个被访问片段的单次读取。
论文也明确指出了局限性：
- 词汇路由可能遗漏断开的证据，即如果查询与片段之间没有词汇关联，可能无法找到；
- 答案组合受限于冻结的读者模型，即最终生成答案的能力受制于预训练模型。
意义与展望
这项研究为多智能体协作提供了新思路：代理之间可以共享内部计算状态，而不仅仅是最终输出，这有望大幅降低通信成本并提升协作效率。但 MaSRead 仍处于早期阶段，距离实际应用还有距离。未来，如何设计更鲁棒的内容路由、如何处理非词汇语义关联，都是值得探索的方向。
对于 AI 从业者而言，这篇论文的价值在于它挑战了“共享文本”的固有范式，提示我们：在潜在空间里，内容本身就是地址。
论文链接：arXiv:2608.11218