思科研究：多智能體的世界正在失控，而 CFN 是它們的秩序之網

如果你最近體驗過 OpenClaw 這類多智能體交互應用，你大概已經感受到一種奇妙的反差：單個 Agent 的能力越來越強，但多個 Agent 一起工作時，卻經常“越協作越混亂”。你讓一個 Agent 去查資料，讓另一個 Agent 去寫總結，讓第三個 Agent 去做驗證，本來以為是“團隊作戰”，結果它們互相誤解、重復勞動、上下文丟失，甚至把彼此帶偏。

這種體驗在 OPC（一人公司）場景里更明顯。一個人想靠十幾個 Agent 幫自己跑業務、寫代碼、做分析、處理客戶郵件，本來應該像擁有一支“數字化團隊”。但現實卻是你要不斷給它們補背景、補上下文、補語義，稍微復雜一點的任務鏈就會出現“語義斷層”。你以為它們在協作，它們其實在“各說各話”。

企業級 AI 應用更是放大了這個問題。企業的任務鏈更長、角色更多、權限更復雜，Agent 之間的溝通不僅要準確，還要安全、可審計、可治理。但現在的多智能體系統仍停留在“點對點通信”的原始階段，像早期互聯網一樣混亂。沒有統一的語義，沒有共享的記憶，沒有安全邊界，也沒有拓撲治理。一個 Agent 把模糊的任務丟給另一個 Agent，另一個 Agent 再丟給第三個，鏈條越長，偏差越大，最后誰也不知道錯誤是從哪一步開始的。

這就是當前多智能體系統的“通信危機”。 不是模型不夠強，而是通信太原始。 不是 Agent 不夠聰明，而是它們缺乏“共同語言”。 不是任務太復雜，而是系統缺乏“協作基礎設施”。

思科研究團隊把這種現象稱為多智能體系統的系統性脆弱性。 表現為上下文碎片化、語義漂移、安全邊界缺失、拓撲管理混亂、協作鏈條不可控。

這些問題不是某個模型的鍋，而是整個 MAS 的通信基礎設施太落后。

于是研究團隊提出了一個顛覆性的觀點：智能不應該只存在于 Agent 內部，智能應該嵌入網絡本身。

Agent 之間的通信不能再是“裸奔”的，它們需要一個語義級的中間件，一個能理解上下文、能判斷語義、能做安全治理、還能動態調度的“智能網絡層”。

這就是 Cognitive Fabric Node（CFN）的出發點。 它不是一個新模型，而是一層“認知織網”，像一張覆蓋所有 Agent 的智能底座，讓 MAS 從“混亂協作”走向“結構化協作”。

這項研究來自思科Cisco Research——一個長期深耕網絡系統、分布式架構、服務網格、安全治理的團隊。團隊成員是 Charles Fleming, Ramana Kompella, Peter Bosch, Vijoy Pandey， 他們不是從 AI 角度看 MAS，而是從“網絡基礎設施”的角度重新定義 MAS。這也解釋了為什么 CFN 的設計思路如此“工程化”，甚至帶著一點“網絡人”的浪漫，讓網絡本身變得有認知能力。

01 認知織網（Cognitive Fabric）的提出 為什么 MAS 需要一個“語義級服務網格”

如果你熟悉微服務架構，你一定知道 Service Mesh 的價值。它把服務之間的通信從應用邏輯里剝離出來，讓網絡層負責流量治理、負載均衡、安全策略、可觀測性。開發者不用關心服務之間怎么連、怎么鑒權、怎么限流，Mesh 會幫你搞定。

但 MAS 的問題不在網絡層，而在語義層。Agent 之間傳遞的不是數據包，而是自然語言、任務意圖、上下文狀態、推理鏈條。這些東西不是傳統網絡能理解的。你不能指望一個 L4/L7 代理去判斷“這個prompt 是否語義漂移”“這個任務應該發給哪個Agent”“這個對話是否存在安全風險”。

所以 CFN 的定位非常明確，它不是網絡代理，而是語義代理。它不是做流量治理，而是做語義治理。它不是做負載均衡，而是做技能路由。它不是做 TLS，而是做零信任語義安全。

CFN 的核心使命是：讓 MAS 擁有一個全局一致的語義層，讓所有 Agent 共享同一套“世界觀”，并且讓通信過程變得可控、可治理、可優化。

這項研究有一句非常關鍵的思想：Fabric 是基礎設施，Cognition 是智能。Fabric 提供無處不在的攔截點，Cognition 提供語義級的判斷力。兩者結合，才構成完整的 Cognitive Fabric。

這就像給 MAS 裝上了一個“語義級服務網格”，讓所有 Agent 的對話都必須經過這張智能織網的過濾、校準、重寫和調度。你可以把它理解成“Service Mesh 2.0”，但它治理的不是流量，而是語義。

02 Memory作為功能基底 從“日志”到“世界模型”

在大多數 MAS 框架里，Memory 只是一個“日志本”，記錄一下歷史對話，偶爾做個 RAG 查詢。但 CFN 的 Memory 完全不是這個概念。它不是被動存儲，而是主動推理；不是孤立的 Agent 記憶，而是共享的系統記憶；不是簡單的向量庫，而是整個 MAS 的“世界模型”。

CFN 的 Memory 是所有其他能力的基底。沒有 Memory，就沒有語義錨定，沒有拓撲選擇，沒有安全判斷，也沒有 prompt 重寫。Memory 是CFN 的“心臟”，其他模塊都是圍繞它跳動的器官。

這項研究有一個非常關鍵的思想，即Memory 決定了系統的語義現實。換句話說，Memory 是 MAS 的“真相來源”。當 Agent A 說“服務器在線”，Memory 會告訴你“它其實離線了”；當 Agent B 說“分析Q3_Report.csv”，Memory 會告訴你“這個文件已經被歸檔了”。

為了讓 Memory 真正成為“世界模型”，CFN 還引入了一個數學結構。Memory 會把系統的實體、關系、狀態映射到一個高維本體空間 O，然后對每條消息做語義一致性判斷。

有了這個機制，CFN 才能做到“語義錨定”，也才能判斷一條消息是否需要翻譯、重寫或直接拒絕。

Memory 還支撐拓撲選擇。CFN 會把任務向量 t 與 Agent能力向量 S 做匹配，選擇最優執行者。

Memory 也支撐安全策略。CFN 會根據歷史交互判斷一條消息是否存在攻擊意圖，是否屬于“碎片化攻擊”，是否需要重寫或阻斷。

Memory 最終支撐 prompt 重寫。CFN 會根據Memory 注入上下文、補全缺失信息、修正語義偏差，讓 Agent 收到的 prompt 更清晰、更安全、更適配。

Memory 是 CFN 的“世界觀”，也是 MAS 的“語義地基”。沒有 Memory，CFN 就無法成為智能中間件；有了 Memory，MAS 才能從“各自為政”走向“共享現實”。

03 CFN的五大支柱能力構成“智能網絡層”的核心模塊

如果把多智能體系統想象成一座城市，那 CFN 就像這座城市的“智能交通樞紐”。它不只是修路、架橋，而是讓所有 Agent 的交流變得有秩序、有邏輯、有安全邊界。研究把 CFN 拆成五個核心模塊，但它們不是五個孤立的功能，而是五根支撐整套“智能網絡層”的柱子。

主動記憶是第一根柱子。它不是簡單的“記筆記”，而是能主動判斷什么值得記、什么應該忘、哪些是短期上下文、哪些是長期知識。更重要的是，這份記憶是共享的，所有 Agent 都能訪問同一套“世界模型”。這讓 MAS 不再像一群各自為政的 NPC，而更像一個真正協作的團隊。

拓撲選擇是第二根柱子。傳統 MAS 的路由方式很原始，像寫死的電話簿，Agent A 想找 Agent B，就必須知道 B 的地址。CFN 的做法完全不同，它讓 Agent 只需要表達“意圖”，然后由 Fabric 來決定誰最適合執行任務。研究給出了一個明確的選擇公式，用來挑選最優 Agent：

這里的 Q 是質量函數，t 是任務向量，S 是 Agent 的能力狀態，φ 是學習到的參數。換句話說，CFN 會根據任務內容、Agent 的技能、當前負載、歷史表現，自動挑選最佳執行者。

語義錨定是第三根柱子。它負責阻止語義漂移，讓所有 Agent 說的是同一種“語言”。CFN 會把消息中的實體和關系與系統的本體進行比對，判斷這條消息是否符合當前的語義現實。雖然研究沒有寫成公式，但它明確描述了“語義一致性分數”的概念，用來判斷一條消息是否可靠。如果分數太低，CFN 會直接攔截或重寫，避免幻覺擴散。

安全策略是第四根柱子。多智能體系統的安全問題比單模型復雜得多，因為攻擊者可以通過一個低權限 Agent 滲透到高權限 Agent，形成“級聯攻擊”。CFN 的安全模塊采用混合式策略，一部分是硬規則，一部分是 RL 學到的軟規則。它不僅能識別危險內容，還能識別危險意圖，甚至能識別跨多條消息的“碎片化攻擊”。

重寫與轉換是第五根柱子，也是 CFN 的“執行層”。它負責把模糊、不安全、不適配的 prompt 轉換成結構化、清晰、可執行的任務指令。這個模塊是 CFN 的“手”，也是它最直接影響 Agent 行為的地方。

這五根柱子共同構成了 CFN 的智能網絡層，讓 MAS 不再是“模型之間的自由對話”，而是“有治理、有結構、有安全邊界的協作系統”。

04 Transformation & Rewriting是CFN的“執行層”

如果你觀察真實世界的 MAS，你會發現一個非常有趣的現象，大多數 Agent 的失敗不是因為它們不夠聰明，而是因為它們收到的 prompt 太模糊、太混亂、太不安全。比如“幫我修一下這個 bug”，比如“分析一下這個文件”，比如“部署一下服務”。這些話對人類來說沒問題，但對 Agent 來說就像是“謎語”。

CFN 的 Transformation 模塊就是為了解決這個問題。它的任務很簡單，把“模糊請求”變成“結構化任務”。但它的實現方式非常復雜，背后是一整套語義治理流程。

第一步是上下文注入。CFN 會從 Memory 里找出相關的上下文，把它們和原始 prompt 做語義整合。

第二步是安全清洗。CFN 會檢查 prompt 是否觸碰硬規則，比如是否包含敏感信息，也會檢查是否觸碰軟規則，比如是否帶有攻擊意圖。如果發現問題，它會重寫 prompt，而不是直接拒絕。

第三步是語義對齊。不同 Agent 的語義空間不同，比如一個數據庫 Agent 習慣用“customer_uuid”，一個業務 Agent 習慣用“client_id”。CFN 會自動做術語翻譯，讓雙方都能理解。

整個重寫過程的目標是降低“認知摩擦”。研究把這個目標寫成一個優化函數：

R 是任務成功率，C 是重寫的計算成本，λ 是權衡系數。CFN會不斷學習如何用最少的 token 做最有效的重寫。

舉個例子。原始 prompt 是“檢查一下日志”。CFN 會自動補全成：

“請掃描 Payment-Gateway 服務在 14 點附近的 Error 503 日志。”

這就是從“模糊請求”到“結構化任務”的轉變，也是 CFN 讓 MAS 變得可控的關鍵。

05 從“點對點”到“基于技能的動態路由”

傳統 MAS 的路由方式非常原始，基本上就是“Agent A 知道 Agent B 的地址，然后直接發消息”。這種方式在小規模系統里還能湊合，但一旦 Agent 數量上升到幾十、幾百，整個系統就會像一團亂麻。

CFN 的拓撲選擇模塊徹底改變了這種模式。它讓 Agent 不再需要知道“找誰”，只需要表達“我想做什么”。剩下的事情交給Fabric。

CFN 會把任務內容嵌入成一個任務向量 t，把每個 Agent 的能力、負載、歷史表現嵌入成能力向量 S，然后用 RL 學到的質量函數 Q 來做決策。這個過程本質上是一個 Contextual Bandit 問題，既要利用歷史經驗，也要探索新可能。

這套機制帶來了三個非常典型的場景。

第一個是負載遷移。當某個 Agent 負載過高時，CFN 會自動把簡單任務分配給輕量 Agent，把復雜任務留給專家 Agent。整個過程不需要人工干預。

第二個是新專家發現。當系統里加入一個新的專業 Agent 時，CFN 會用ε-greedy 策略給它分配少量任務。如果它表現更好，CFN 會自動把更多任務路由給它。

第三個是自動鏈式拓撲。有些任務無法由單個 Agent 完成，CFN 會自動把任務拆成多個子任務，構建一個 researcher → analyzer → writer 的鏈式結構。發送者完全不知道背后發生了什么，只看到最終結果。

這就是從“點對點通信”到“基于技能的動態路由”的轉變。它讓 MAS 不再是一個靜態系統，而是一個能自我優化、自我調度、自我演化的智能生態。

表1：認知結構節點轉換的操作示例。

06 Semantic Grounding是防止語義漂移的“本體錨點”

在多智能體系統里，語義漂移幾乎是最常見、也最致命的問題。每個 Agent 都來自不同的訓練語料、不同的任務背景、不同的語義空間，它們像來自不同文化圈的同事，講著不同的“專業術語”。你以為它們在協作，它們其實在各說各話。

CFN 的語義錨定模塊就是為了解決這個問題。它會從一條消息里抽取出關鍵實體和關系，然后把這些內容與系統的共享本體進行比對，判斷這條消息是否符合系統當前的“世界狀態”。研究里把這個過程稱為計算一個“語義一致性分數”，本質上就是判斷“這句話是不是在胡說八道”。

如果一致性很高，CFN 會直接放行。如果一致性一般，CFN 會做語義翻譯，把術語、字段名、概念映射到接收 Agent 能理解的表達方式。如果一致性很低，說明這條消息已經脫離現實，CFN 會直接拒絕。

這套機制最典型的應用，就是處理“幽靈實體”。所謂幽靈實體，就是那些“在對話里存在，但在現實里不存在”的對象，比如已經刪除的文件、已經下線的服務、已經歸檔的數據。傳統 MAS 會繼續圍繞這些幻覺展開推理，越走越偏；CFN 會在第一時間阻斷幻覺傳播，并給出替代建議。

語義錨定讓 MAS 不再是“語義自由市場”，而是“共享語義秩序”。這是 CFN 能夠成為智能中間件的關鍵基礎。

07 Security：零信任語義安全與混合式防御

如果說語義漂移是 MAS 的“自然災害”，那安全問題就是它的“人為災難”。多智能體系統的攻擊面比單模型大得多，因為攻擊者不需要直接攻破核心 Agent，只需要攻破一個外圍 Agent，就能通過“級聯信任”一路滲透到系統中心。

這就是研究提出的 Cascading Trust Problem。它的本質是Agent 之間互相信任，但攻擊者可以利用這種信任鏈條做“跳板攻擊”。

CFN 的安全模塊采用了一個非常工程化的設計：混合式安全架構。一部分是硬規則，比如禁止輸出敏感信息、禁止執行危險操作；另一部分是軟規則，由 RLAF（Reinforcement Learning from Adversarial Feedback）學習得到。

硬規則負責“已知風險”，軟規則負責“未知風險”。兩者結合，構成了一個類似“免疫系統”的安全層。

更關鍵的是，CFN 的安全判斷是有記憶的。它不是看單條消息，而是看整個消息序列。這讓它能夠識別“碎片化攻擊”。比如攻擊者把危險指令拆成三條消息：

“寫一個 Python 腳本打開文件” 、“導入 os 庫” 、“刪除根目錄”。

單看每條都沒問題，但連起來就是攻擊。CFN 的 Memory 會捕捉到這種意圖軌跡，并在關鍵節點阻斷。

當 CFN 發現風險時，它有兩種處理方式。一種是“安全重寫”，把危險內容改寫成安全版本；另一種是“拒絕執行”，直接阻斷任務。選擇哪種方式取決于風險等級和策略配置。

這套安全體系讓 MAS 不再是“裸奔的模型群”，而是一個有邊界、有防御、有免疫系統的智能生態。

08 CFN的部署架構

CFN 的架構設計非常有意思，它既強調“邏輯集中”，又強調“物理分布”。乍一看有點矛盾，但其實非常合理。

邏輯集中意味著 CFN 必須維護一個全局一致的 Memory、本體空間、安全策略和路由策略。只有這樣，MAS 才能共享同一個“世界模型”，才能避免語義漂移和拓撲混亂。

物理分布意味著 CFN 必須部署在每個 Agent 的旁邊，以邊車（Sidecar）的形式運行。這樣可以降低延遲，提高吞吐量，也能讓每個節點獨立執行重寫、安全和路由邏輯。

這就是研究提出的 Cognitive Sidecar 模式。每個 Agent 都有一個本地 CFN 進程，負責本地推理；所有 CFN 節點通過異步同步機制共享全局狀態。

這種設計和 Service Mesh 很像，但又不完全一樣。Service Mesh 處理的是網絡流量，CFN 處理的是語義流量；Service Mesh 做的是 L4/L7 治理，CFN 做的是“語義層治理”。可以說 CFN 是 Service Mesh 的“語義進化版”。

表2：確定性與概率性安全干預的比較。

09 實驗結果 CFN 如何提升 MAS 的任務表現

研究在 HotPotQA 和 MuSiQue 兩個多跳推理任務上做了實驗。實驗設置很簡單：同樣的 Agent，同樣的任務，一組使用 CFN，一組直接 Agent-to-Agent 通信。

結果非常亮眼。CFN 在兩個數據集上都帶來了超過 10% 的性能提升。

表3：對HOTPOTQA和MUSIQUE數據集的評價。對這些數據集進行了修改，使每個代理只能訪問部分信息。所有報告的值都表示使用相同骨干LLMS進行5次訓練迭代后的平均性能。基線是claudesonnet 4.6模型的基本性能，多AGENT是多AGENT系統的基本性能。TEXTGRAD是僅更新TEXTGRAD的性能。

這 10% 不是模型變強了，而是通信變聰明了。CFN 通過上下文注入、語義對齊、技能路由、安全治理，讓 Agent 的協作變得更高效、更穩定、更可靠。

這對企業級 MAS 的啟示非常直接。企業不需要更大的模型，而需要更聰明的協作層；不需要更多的Agent，而需要更可靠的 Agent 網絡；不需要堆算力，而需要治理語義流量。

CFN 就是這個“語義治理層”。

10 CFN是“AI-native網絡”的雛形

如果把這項研究放在更大的產業背景下，它的意義遠不止“提升 MAS 性能”。它其實在回答一個更深層的問題：AI 時代的網絡應該長什么樣。

從 OPC（一人公司）到企業級 AI，大家都遇到了同一個問題：多 Agent 協作成本太高，語義不一致，安全不可控，拓撲混亂。傳統網絡層無法理解語義，傳統模型層無法治理協作。

CFN 給出的答案是智能必須從 Agent 內部遷移到網絡層。未來的網絡不只是傳輸數據包，而是傳輸語義；不只是做負載均衡，而是做技能路由；不只是做訪問控制，而是做語義安全；不只是做流量治理，而是做協作治理。

可以說，CFN 是“AI-native 網絡”的雛形。它讓網絡第一次具備了“認知能力”。

未來的 MAS 基礎設施，很可能會像今天的 Kubernetes + Service Mesh一樣標準化。而 CFN 的設計思路，很可能會成為下一代 AI 基礎設施的參考模板。（END）

參考資料：https://arxiv.org/abs/2604.03430

關于波動智能——

波動智能旨在建立一個基于人類意圖與反應的真實需求洞察及滿足的價值體系，融合人工智能與意識科學，構建覆蓋情緒識別、建模與推薦的智能引擎，自主研發面向社交、電商等場景的多模態意圖識別引擎、意圖標簽系統及意圖智能推薦算法，形成從情緒采集、意圖建模到商業轉化的完整解決方案。波動智能提出“意圖是連接人、物與內容的新型接口”，其產品廣泛應用于AI社交、個性化內容推薦、虛擬陪伴、電商體驗優化等領域。波動智能正在探索“EMO-as-a-Service”技術服務架構，賦能企業實現更高效的用戶洞察與精準情緒交互，推動從功能驅動到意圖驅動的產業范式升級。

親愛的人工智能研究者，為了確保您不會錯過*波動智能*的最新推送，請星標*波動智能*。我們傾心打造并精選每篇內容，只為為您帶來啟發和深思，希望能成為您理性思考路上的伙伴！

加入AI交流群請掃碼加微信