AgentRoom：基于CRDT的并发多智能体编码共享工作空间

# 基于CRDT支持的共享工作区的并发多智能体编码  
来源：https://arxiv.org/html/2608.23740  

## AgentRoom：基于CRDT支持的共享工作区的并发多智能体编码  
Donghyun Lee  
所属机构：加州大学伯克利分校  

###### 摘要  
并发多智能体编码有望实现模块间的劳动力分配、通过冗余机制增强鲁棒性，并以多文件项目的自然粒度进行并行探索。实时协同编辑协议通过无冲突复制数据类型（CRDT）为人类团队解决了这一协调问题，但底层的LLM每次仅生成一个token，现有的多智能体编码系统继承了这一串行限制：它们要么让智能体通过阶段交接顺序执行，要么在没有协调的情况下汇集独立样本；单个智能体在处理高难度任务时，可能因“单文件存根并退出”而放弃高达一半的任务。AgentRoom是一种用于并发编码智能体的实时协同编辑协议。其运行时层在CRDT合并的共享文件系统之上，将文件级的声明、状态和广播作为MCP工具暴露出来。五个前沿编码CLI模型执行了四个后端编码任务，并在Python DevBench和Rust+axum中进行了跨语言检查。对于CLI稳定的模型，使用两个智能体的AgentRoom放弃的任务数量少于单体模式，且运行间波动更小。在匹配计算量下，LLM评委对比的正向平均差值使AgentRoom优于并行合并。另一项对比（捆绑探针）显示，完整的AgentRoom优于所有部分情况：这是一种排序而非百分比的划分。协调能力，而非并行性或CRDT合并，承担了主要负载。  

## 1 引言  
多智能体编码系统（Qian等人，2024；Hong等人，2024；Nguyen等人，2024；Huang等人，2024；Ishibashi与Nishimura，2024；Pan等人，2026；Islam等人，2025；Peng等人，2026；Zhu等人，2025；Wu等人，2023；Wang等人，2025；Park等人，2023；Chen等人，2023；Shinn等人，2023；Ashrafi等人，2025；Grötschla等人，2025；Shafin等人，2025）主要采用顺序轮流执行：设计→实现→评审，每个智能体等待前一个完成。通过CRDT进行的隐式并发协调已被探索，但结果不一（任务速度提升21%/减慢39%）。本文要解决的问题是：在匹配计算量下，基于CRDT合并共享工作区的*显式*协调能否优于顺序执行和隐式CRDT这两种替代方案。  
**系统**。AgentRoom是面向并发编码智能体的*状态管理室*：一个结构化的运行时对象，具有文件级声明语义、仅追加的广播日志以及每个智能体的状态，通过少量模型上下文协议（MCP）工具（room_claim、room_release、room_state、room_broadcast、room_read）暴露给智能体，建立在CRDT合并的共享文件系统之上。  
**对比**。AgentRoom使用了与CodeCRDT不同的协调范式，后者通过隐式推断进行协调并预分配大纲编写者和实现者角色：AgentRoom用显式房间和咨询协议（第2.3节）取代了两者，无需角色预分配或编排式交接。我们在第4节中在匹配计算量下进行对比：智能体保持不变，但以不同方式组合。  

**图1**：T4六条件协调消融实验：AgentRoom为最高条件，而无协调的并发执行（并行合并）和顺序交接（ChatDev风格）均低于单智能体基线。  

**发现**：我们发现AgentRoom中的两个智能体*抑制了单智能体的“存根并退出”失败模式*（智能体输出一个文件的源码骨架并提前退出，认为任务过于困难）：在所有12个模型×任务层中，汇总的Cochran-Mantel-Haenszel（CMH）估计显示，单体模式的放弃几率是AgentRoom的**13.7**倍（95%置信区间[3.9, 48]，p < 10⁻⁵，Tarone齐性检验p = 0.92）。在所有发生事件的层中，单体模式的放弃几率超过AgentRoom（几率比 > 1）。  

**对比**：第4.1节图6按模型和任务细分了结果。在匹配计算量下，AgentRoom在连续的LLM评委复合评分上比并行合并高出+0.213（Welch p = 0.003，两者均为Sonnet模型，结构上免疫偏差；图1）。仅基于底层的捆绑探针（附录B.13）支持的平均排序（仅共享 < 并行合并 < AgentRoom >> ChatDev）在正则表达式和AST评分器（附录E）下保持不变。  

**出现分数**：出现分数将N个智能体的平均质量除以相同模型和任务下的单体平均质量，ES = s̄_N / s̄_1，其中ES > 1表示多智能体改进。我们报告了ES的95%自助法置信区间（10,000次重抽样）用于主要单元格。除非说明，N = 2。  

**评委敏感性**：评委是否重要？为了解决主要Sonnet评委中的同族偏好偏差，我们使用两个跨评委对30次运行的T4子集重新评分：Claude-Haiku（Anthropic跨模型）和Codex GPT-5.4（跨供应商）。Sonnet与Haiku的相关性r = 0.87（n = 30），Sonnet与Codex的相关性r = 0.86（n = 26），Haiku与Codex的相关性r = 0.78（n = 26）；跨供应商的Codex评委普遍更严格，平均复合评分比Sonnet低-0.151，但保留了每次运行的排名，因此复合评分的排名在评委供应商间是稳定的。在实验期间，配额限制阻止Gemini-3-Pro加入评委团。  

“质量”未涵盖什么？在本文中，“质量”指此复合指标；其四个维度不衡量可维护性、安全性或长期演化成本，该复合指标不应被视为广义的软件质量。  

### 2.6 任务  
**任务套件**：智能体实际构建什么？对于主要任务套件，我们使用四个Express.js/TypeScript任务，它们跨越难度轴和不同的领域类型；附录D给出了T1/T2/T4的规范。T1要求跨6个文件实现JWT认证。T2开放一个市场API，要求≥10个文件。T4要求实现一个支持多币种、哈希链审计（Haber和Stornetta，1991）、对账和欺诈检测的复式记账财务账本，涉及≥15个文件。T5更进一步，要求实现一个算法交易平台，包含订单匹配、投资组合盈亏、风险、市场数据和账户管理，同样≥15个文件。  

**范围和预算**：我们仅在难度梯度附录（附录B）中使用第五个任务T3（协作电子商务模块），并将其排除在CMH池外。这四个任务在逐步增大的范围内跨越不同的应用领域，它们共享Express.js/TypeScript运行时和相同的沙箱模板，但不共享应用逻辑。T1、T2和T3获得300秒挂钟时间，T4获得600秒，T5获得900秒。  

**评估**：智能体在模板的单一冒烟测试之上编写自己的vitest测试套件，因此我们仅以描述性方式报告原始通过计数。我们使用LLM评委复合评分评估正确性和质量，然后对照正则表达式和AST评分器（§2.5）进行交叉验证。我们在附录B中报告了使用DevBench的Python跨领域检查。更广泛的跨语言评估仍然是一个限制（§5）。我们在附录C（图9）中将协议绘制为一次运行的泳道图。  

## 3 实验  
**使用哪些模型？**五个前沿编码模型，来自三家供应商——Anthropic的Claude Sonnet 4.6和Haiku 4.5，OpenAI的GPT-5.4和GPT-5.4-mini，以及Google的Gemini 3 Flash。主要单元格使用四个CLI稳定的模型，我们排除了GPT-5.4-mini，因其在并发MCP执行下存在供应商CLI崩溃问题（§4.4）——这是一个部署注意事项而非AgentRoom特性。  

**访问和固定版本**：通过供应商CLI以非交互模式访问，使用供应商默认采样，版本固定（Claude Code 2.1.119、Codex CLI 0.120.0、Gemini CLI 0.40.1；每次运行的日志记录模型标识符和每个智能体的调用字符串）。未设置随机种子：模型为专有且托管，因此我们不主张逐位可重现性；我们以σ报告运行间波动。  

**哪些条件？**  
*AgentRoom*：N个智能体在1秒内启动，共享W和房间MCP服务器。  
*仅共享*：相同启动，无协作提示，无MCP。  
*并行合并*：N个独立智能体在不同工作区，事后合并文件，以较晚时间戳作为平局决胜。  
挂钟预算：300秒（T1/T2/T3），600秒（T4），900秒（T5）。  

**有效运行过滤器**：我们汇集所有耗时≥30秒的尝试；这仅排除了在最初30秒内退出的认证和网络失败。我们不施加额外的文件数或测试数过滤器，因为早期草案发现这些对紧凑的Codex/Gemini实现存在偏差。主要单元格使用95%自助法置信区间（10,000次重抽样）和σ（当n ≥ 3时）。我们在预算公平池上计算第二层LLM评委单元格，少数在池冻结后完成的运行保持了方向但未纳入报告单元格。每个表格列出其自己的每单元格n；统计效力不足的单元格仅出现在附录中，并标记为探索性。  

**测量什么？**  
连续质量分数s ∈ [0,1]：由§2.5的LLM评委对运行后仓库快照产生；  
出现分数ES(m, N, τ) = s̄_{m,N,τ} / s̄_{m,1,τ}；  
vitest的原始通过测试计数；  
房间消息计数（广播和直接发送条目）；  
CRDT冲突计数（在Δ_crdt = 2秒内的守卫触发）。  

**证据层级**：我们将结果分为三个证据层级——第一层，无评委的二元放弃结果；第二层，连续的LLM评委质量单元格；第三层，在正则表达式/AST评分器家族下的跨模型比较探索性结果。  

**主要评分器**：LLM评委是第4至4.3节中所有T4预算公平统计的主要评分器，并对照正则表达式和AST评分器（§2.5）进行交叉验证；T4 LLM评分池之外的单元格（跨模型效应量、难度梯度）在附录B中以第三层探索性结果的形式，在正则表达式/AST评分器家族下报告。  

## 4 结果  
我们以两个统计强度递减的层级报告结果。第一层是方差和放弃率的降低，这在所有三个CLI稳定的模型上通过评分器不变的二元结果得以复现。第二层是受控的六条件消融实验以及在我们的LLM评委标准下的ChatDev范式对比（在T4金融科技账本任务上匹配计算量）。正则表达式/AST评分器家族下的跨模型ES和成本等效配对模型比较是探索性的，在附录B中报告。  

### 4.1 第一层：在×2下的方差和放弃率降低  
第二个智能体带来什么？AgentRoom中的两个智能体将预算内未失败运行的运行间标准差降低了约30–45%（图4），并消除了一种特定的单智能体失败模式，即*1文件放弃*——一个得分低于0.3的运行，在200秒内退出或仅留下最多两个源文件，通常是在最初约80秒内输出的一个存根。该结果在所有三个已验证的CLI稳定模型（Sonnet 4.6、Haiku 4.5、Codex GPT-5.4）和两个第一层任务（T4、T5）上得以复现。在T4 Sonnet上，单体σ=0.23，×2 σ=0.14。在T5 Sonnet上，0.23 vs 0.13。在T4 Haiku上，单智能体在35次尝试中有12次（34%）发生1文件放弃，而AgentRoom×2仅在17次中发生1次（6%；Fisher精确单侧检验p = 0.025）。从×2带来的平均质量提升是一个噪声较大的信号，因此我们在附录B中将其作为探索性报告；方差和放弃率结果本身是成立的。方差减小的方向与自一致性（Wang等人，2023）和智能体混合集成（Wang等人，2024）一致，但AgentRoom通过在共享工作区中协调并发生成实现此目标，而非独立采样和聚合。  

**按模型和任务的放弃情况**：如何标记放弃事件？一个确定性编码手册应用于每次运行的快照和CLI退出元数据，将每个得分<0.3的事件标记为1文件放弃或基础设施故障；该手册随发布提供，附录B.12扫描了其阈值敏感性。下面的计数使用Fisher精确单侧检验比较单体与AgentRoom×2在预算公平池上的表现；该池涵盖所有预算公平运行，包括没有LLM分数的运行，因此分母与表1略有不同。在T4上，两个模型的降低是单个显著的：Haiku从12/35降至1/17（p = 0.025），Codex从9/17降至2/21（p = 0.005）。其余两个方向一致——Sonnet从6/33降至0/17（p = 0.070），MCP修复后的Gemini（§4.4）从2/5降至0/5（p = 0.22）。  

**跨任务**：在T5上，所有三个按模型分层的方向一致但单个统计效力不足（每层计数见图6）。在所有七个按模型分层的层中，每个单体放弃计数都≥AgentRoom计数；其中四个在T4上是单个显著的。  

**跨层汇总**：