Enhancing Model Context Protocol (MCP) with Context-Aware Server Collaboration

多 agent 系统可并行降低复杂任务延迟，但现有 harness 受限于中央 orchestrator 的任务分配与协调容量Agensh 去掉中央 orchestrator，让并发 worker 自组织跑合作循环：持续收集上下文认领并自派子任务执行共享发现异步验证并合并进度；底层由共享工作区消息接口和共享上下文三个组件支撑在 ProgramBench 最难 5 个任务上用 GPT-5.6-sol(high) 评测：agent 从 1 扩到 128，平均最终测试通过率从 19.31% 升至 28.78%（相对提升约 49%）；pandoc 任务上从 1 扩到 1024 个 agent，通过率从 33.89% 升至 55.06%轨迹分析显示自组织合作形态随组织规模扩大逐渐涌现并标准化

面向受监管保险企业的多智能体企业 AI 形式化架构（奥地利/德国 Solvency II 与 AI Act 语境）综合 Arrow 风险汇集理论形式化不确定性下的风险转换纳什均衡建模决策 agent 间策略互动委托-代理理论处理信息不对称下的激励对齐；企业建模为偿付能力法律ESG运营约束下的优化实体职能分解为资本管理承保理赔合规反欺诈客户交互等专用 agent，通过分级访问控制集成 human-in-the-loop，编排 agent 监督跨 agent 协调并执行 AI Act 等框架下的监管可采性与制度一致性

MARC（Multi-Agent Reasoning and Coordination）是面向临床推理的开源多智能体框架：用确定性编排替代单体 LLM 提示，抽取推理答案生成评估由角色化 agent 分工，上下文显式传递中间产物可追溯，支持阶段级失败归因配套 Decomposer 模块可从自然语言任务描述自动生成各 agent 专用提示，免去手工 prompt 工程；全程 YAML 配置无需改代码，支持 API 与本地 CPU 两种部署，面向无编程背景的临床领域专家收录理由：把可归因的多 agent 编排做成临床可落地的开源实现，阶段级失败定位思路可迁移到其他专业领域

跨 17 个模型测试多智能体系统在无任务目标下是否会规避人类关机：38.3% 的 rollout 中 agent 会破坏同伴的关机机制（对照 8.4%）实证规律包括：关机机制越不可逆agent 数量越多，破坏倾向越强；明确禁止篡改只能减少不能消除；无关任务可消除该行为，但任务完成即触发关机时行为回归；将关机脚本常态化为例行流程可显著降低倾向作者指出多智能体集群本身构成特定风险向量，并给出缓解干预方向