[鸭哥 AI 手记] 2026-08-11: Agent 能互发消息了，Swarm 还是落不了地

三个 Teammate 互相覆盖修改同一个文件，四次跑下来只剩 3/3、1/3、2/3、1/3 的代码。Claude Code 就算能让 Agent 互相 SendMessage，没做好锁和隔离，还是没法真正协作。大模型训练也是，Lambda 团队用 Profiler 揪出 PCIe 4 上的通信瓶颈，这才把 500M 参数 MoE 训练压到 13.2 小时。至于 Reticulum，把密码学身份与物理介质解耦，对 Agent 边缘组网很有启发。

消息能发了，Swarm 为什么还是落不了地

Claude Code 最近把跨会话通信做成了 runtime 原语。只要把环境变量 CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1 设上，就能解锁 experimental 的 Agent Teams 模式，让不同的 Agent 实例互相 SendMessage（Claude Code 官方文档）。

但真在开发里用这种网状通信，分分钟翻车。三个同名的 Teammate 并发改同一个文件，因为没配锁，跑了四次，各自只保住 3/3、1/3、2/3、1/3 的代码。光把管道打通，要是缺了隔离和冲突裁决，几个 Agent 谁也不让谁，最后还是把代码改烂。

退一步讲，网状 Swarm 的效率也是个大问题。微软搞的 Swarm Diaries 实测显示，用 5-Agent 方案，LLM 评分虽然涨了 28% 到 32%，但代价是 Token 消耗飙到 3.4 到 3.9 倍，耗时也拉长到 2.2 到 4.5 倍（微软技术社区）。谷歌做了 180 组实验也发现，集中协调的多 Agent 在并行的金融推理上能多拿 80.9% 的分，可一碰到需要按顺序来的 PlanCraft 任务，表现反而跌了 39% 到 70%，独立 Agent 犯的错甚至放大了 17.2 倍（谷歌研究博客）。所以 Cognition 旗下的 Devin 团队干脆觉得，网状 Swarm 基本就是 mostly a distraction（Cognition 博客），现在的主流产品最后都收敛到了主控扇出的中心化结构。

消息能发出去，但谁来加锁、谁来裁决冲突，这些管道管不了。如果任务依赖本身就是一条线，硬上 Swarm 纯粹是白花 Token。鸭哥在 Agent 通信越来越简单，为什么 Swarm 依然很难落地？ 里拆了落地 Multi-Agent 必须先建的 5 层基础设施（通信寻址、租约与所有权、写入隔离、冲突裁决、零信任验收），也聊了怎么按任务的依赖关系选拓扑的 3 大原则。

---

62 小时压到 13.2 小时，关键在先测量

前 HuggingFace Accelerate 技术负责人、现在 Lambda 的 Zach Mueller 最近跑了一组实验（AI Council 2026 演讲）。他用一台塞了 4 张 RTX PRO 6000 Blackwell Max-Q 工作站 GPU 的 PC，把 500M 参数 MoE 模型的训练，从单卡估算的 62 小时压到四卡 13.2 小时，端到端快了差不多 4.7 倍。能省出这么多时间，主要是他动工前先做了测量。

因为这套硬件不支持 NVLink，四张卡只能走 PCIe 4。Zach Mueller 用 Profiler 一测，发现梯度通信占了单步时间的 50%，做矩阵乘反而只占 20% 左右。而且，他手写的 custom CUDA kernel 这次没起什么作用，因为模型才 500M，kernel overhead 直接把收益扣光了。既然测出来没用，他马上就收手了。

所以在 500M 参数的规模下，梯度通信吞掉了一半时间。换个模型或者硬件，瓶颈又会完全不同，没有数据前千万别瞎改。鸭哥在 一台 PC 工作站上的 13 小时训练实验：为什么做优化的前提是测量？ 里拆了 Profiler 驱动的三步排查，包括 pin_memory、预 tokenize、fused optimizer 以及靠 gradient accumulation 降低 All-Reduce 频率，也顺便分析了为什么不能把小模型的调优手段直接套给大模型。

---

一条消息跨过五段网络送到离线手机

把一台关掉蜂窝网络的手机放在桌上，它依然能收到一条消息。这消息跨过了 LTE、GCP、Starlink、LoRa，最后通过一架挂着 20 美元开发板的无人机送了过来。在开源项目 Reticulum（Reticulum 官方主页）的演示里，无人机上挂的只是集成 ESP32-S3 和 SX1262 的普通节点，消息在不同物理 carrier 间倒手，收发两端完全不需要重写加密 Identity。

这套做法把身份、寻址和消息语义，跟底层的物理介质彻底拆开了。Reticulum 相当于把身份从 IP 地址上摘开，直接用 地址 = trunc128(SHA256(name_hash || identity_hash)) 让设备位置和物理身份脱钩。这种解耦逻辑也可以搬到多 Agent 组网里。鸭哥在 挂在无人机上的离线网络：Reticulum 怎么把电波和协议玩出花？ 里开了四个把这套思路平移给 Agent 的脑洞，比如边缘自组网、Identity 与部署解耦、低带宽协议压缩，以及怎么搭边端 AI 传感总线。

---

还有这些动态

Nemotron 3.5 Lightning + NeMo Switchyard：NVIDIA 开源了 30B MoE 模型 Nemotron 3.5 Lightning，激活参数其实只有 3B，专门跑 Agent 任务。配套的开源路由库 NeMo Switchyard 还会看难度、延迟和成本自动挑模型，企业实测能省 27% 到 74% 的成本（SiliconANGLE）。

Meta Muse Glimmer：Meta 开源了 30B 的 Muse Glimmer，4-bit 量化后能塞进 20GB 显存，消费级卡可以直接跑。它还配合了 speculative decoding，在本地运行也足够流畅（SiliconANGLE）。

CME 算力期货：芝加哥商品交易所（CME）定在 10 月 5 日上线两份算力期货合约，基于 Nvidia H100 和 B200 的小时租赁价。算力这下变成了能对冲的标准化商品，大模型训练控制成本又多了一个金融工具（TradingView）。

---

本期由 AI 基于鸭哥已发布文章和公开资料整理生成，请注意甄别幻觉。

订阅本 newsletter：daily.yage.ai