告别中心化编排器：从 Agensh 与 DeLM 看生成式画布 Agent 的去中心化演进

做复杂 AI 生成工作流或多模态 Agent 系统超过三个月的人，几乎都会撞上同一堵高墙：你的中央编排器（Orchestrator / Supervisor）越来越臃肿，而系统却越来越不稳定。

为了让 Agent 学会分镜、理解素材、提取控制、连线图节点并组合成片，工程团队本能地往中央调度器的系统提示词（System Prompt）里倾倒越来越多的业务规则——从几何长宽比要求、镜头时序拆解，到几百行特化门禁（Gates）。很快，这个全知全能的「主脑」提示词膨胀到了上百 KB；但在长程多轮 ReAct 漫游中，它依然频繁在上下文里迷航，甚至发生「用户上一轮刚刚确认方案，模型下一轮又回退去向用户重复确认」的死循环。

这不是提示词工程没写好的问题，而是星型中心化架构的代际瓶颈。

近期，学术界与工业界有两篇重量级论文从不同维度给出了颠覆性的答案：微软研究院的 Agensh（arXiv:2609.26781，2026 年 9 月）证明了彻底拿掉中央编排器、依靠共享工作区能够将多 Agent 组织扩展到 1,024 个规模；而斯坦福大学 SAIL 实验室的 DeLM（arXiv:2606.10662，2026 年 6 月）则证明了依靠共享验证上下文与入库门禁，可以在拿掉中心编排器的同时将多 Agent 求解成本直接砍半。

在上一篇《解构生成式画布 Agent 架构：从认知收敛、DAG 惰性调度到 Git for Canvas》中，我们讨论了生成式画布的认知收敛与图调度；在《AI 重制视频为什么总是不稳定？2026 赛道全景与两种架构的分野》中，我们剖析了测量与校验的稳定性。本文进一步向下深潜：当中心化编排器走向崩溃时，生成式画布系统应如何走向去中心化？

一、中心化编排器的四次死亡：上层私有台账的原罪

在复杂的生产级画布系统中，许多团队都经历过调度层的反复重构：

引入单体 Planner；
拆分为 Supervisor + 多 Worker；
试图用显式有限状态机（FSM）或确定性路由收拢流程；
引入复合编排器（Compound Orchestrator）试图监督执行进度。

但经过数轮迭代与压测后，这些上层抽象往往难逃被整体回滚或删除的命运。复盘这几次架构死因，背后其实只有一条共同的致命缺陷：

「上层中心化大脑在自己的私有内存里维护了一套状态台账，而这个台账迅速与真实世界（画布上的节点、连线与输出）发生脱节与漂移。」

由此引发了中心化架构在生成式画布场景下的三大系统性顽疾：

1. 尾大不掉的主脑单体（The Orchestrator Monolith）

当一个中心化模型既要扮演「需求理解者」、又要充当「多专才派工者」、还要作为「几十道业务门禁的裁判」时，单回合上下文迅速逼近上限。主脑在数十个 Hop 的拉扯中，被迫吃进所有子域的细节，最终导致认知带宽过载，输出格式退化或逻辑自相矛盾。

2. 跨 Agent 的「重工税（Rework Tax）」

在音视频生成与二创中，试错成本极高。假设专才 A 尝试某种姿态提取算法失败（例如人物被严重遮挡导致检测器崩溃），或者用户在卡片交互中明确点击拒绝了某个旧素材复用——这个负面事实如果只深埋在某一轮的对话历史中，后续接手的专才 B 或下一个 Turn 的主脑根本无法感知，依然会再次向用户推销已被否决的方案，或者重复调用注定失败的算法。消灭不了重工，Token 成本与等待延迟就永远居高不下。

3. 门禁逻辑下沉侵入调度循环

为了防止模型出错，工程师往往在调度主循环中塞入几十道过程性 Gate（例如：检查某个切片是否已测完、某个视频重制节点是否已连接人设参考图）。这使得主脑的代码量失控飙升到数千行，调度逻辑与业务数学深度耦合，牵一发而动全身。

二、破局支柱：Agensh 与 DeLM 带来了哪些架构武器？

微软 Agensh 与斯坦福 DeLM 并非针对单点 Prompt 的微调，而是给出了系统级的机制设计范式。

1. 微软 Agensh：共享工作区（Shared Workspace）即是真理

微软团队在 ProgramBench 严苛软件工程基准上的实验（将 Agent 规模从 1 扩展到 128 时，平均测试通过率从 19.31% 跃升至 28.78%；在 pandoc 任务上扩展至 1024 个 Agent，测试通过率从 33.89% 提高至 55.06%）证明了一个革命性质变：多 Agent 组织扩展不需要中央分派器。

Agensh 的核心架构由两个正交部分解耦而成：

以共享工作区（Git）为唯一信源：没有中央控制器负责给工人分配文件，所有工人并发、异步地读写 Git 仓库，通过分支开发、合并与冲突检测实现自组织。
五步自组织协作循环：每个 Worker 自主运行 采集上下文 ➔ 认领子任务 ➔ 执行动作并广播发现 ➔ 验证结果 ➔ 异步合并进展。随着规模扩大，代码审查者、整合者（Integrator）等角色会在群体中自发涌现，无须人工预设死板的路由表。

2. 斯坦福 DeLM：三层共享验证上下文与入库准入门禁

斯坦福 SAIL 团队在 SWE-bench Verified 与长程问答任务中，通过移除中央 Orchestrator，将任务推理成本直接砍半，同时最高提升了 10.5 个百分点的准确率。其核心武器有三项：

三层分级上下文（3-Tier Context Layering）：
- Gist：约 100 tokens 的极端压缩摘要（核心目标与关键约束），所有 Agent 全局可见；
- Reference-grounded summary：带逐字引用片段（ref-tags）的结构化摘要，需要时才调取；
- Raw：完整原始上下文与代码，仅执行层按需展开。
入库准入门禁（Admission-time Verification Gate）： DeLM 不靠中央编排器在运行时监督模型，而是在数据写入共享上下文的入库边界设立轻量验证器（Verifier）。不被真实证据支持的推论直接被拒绝并要求就地自愈，彻底阻断了错误信息的跨 Agent 污染。
负面结论一等公民（Negative Findings）：将「踩过的雷、不可行的路径」结构化写回共享上下文，避免并行工作线程重复进行无效调查，大幅省下重工税。

三、生成式画布的新范式：Decentralized Canvas Swarm

将上述思想投射到复杂的 AI 生成式画布系统，核心转变在于重新定义画布的定位： 画布（Canvas 节点与连线拓扑）本身就是 Git，它就是全体 Agent 的 Shared Workspace！

不再需要一个全知全能的中央主脑在内存里监督微观动作，系统演进为四大正交支柱组成的去中心化流水线：

去中心化画布 Agent 体系架构图谱

支柱 1：统一入库准入门禁（Manifest Admission Gate）

彻底拆除调度主循环中散落的几十道业务过程性 Gate。

设计院与施工队分离：所有业务专才（剧本、分镜、剪辑、资产锁定、配音）只负责领域推演，产出纯粹确定性的规格数据 NodeManifest（包含要创建的节点意图、参数配置、连线依赖）；
设立静态入库准入门禁：在 NodeManifest 提交给画布底座执行物理落图前，穿透一层机械化验证器：
1. 词表与 Handle 契约校验：节点类型合法，输入输出槽位存在且类型对齐；
2. 静态无环性检验：调用 DAG 拓扑检测（Acyclic Check），确保新引入的连线不产生依赖死锁；
3. 硬性约束与引用锁定（Reference Locks）：例如，视频重制节点必须挂载已核准的人设锚点或关键帧引用；素材时长必须符合所选算力档位限制；
就地自愈（In-situ Healing）：一旦门禁拦截失败，错误由当前编译器或专才在本地上下文内微调修复（最多重试 2 次），严禁向外抛出异常崩溃，更严禁退化为将问题抛给用户重复确认。

支柱 2：主脑瘦身为「流水线阶段推进器（Phase Pipeline Driver）」

过去主脑在 40 个 Hop 中微观指挥每一个工具调用，极其脆弱。在去中心化模式下：

通用四大阶段铁律：视听工业化收敛为 策划与剧本 (Brief) ➔ 设定与资产 (Assets) ➔ 分镜与镜头 (Shots) ➔ 后期与成片 (Assembly)。任何视频二创或重制仅是带源素材的输入分支，绝非特化伪阶段。
主脑只管宏观阶段与 HITL 卡片：主脑不再推理微观业务数学，只负责判断当前阶段是否已满足推进条件，下发交互卡片等待人类决策；
阶段内部的生成任务，直接由对应专才编译器（Compiler Pipeline）以批量流水线形式直驱执行。主脑核心代码由此可从数千行削减至 1,000 行以内，系统提示词严格限制在 15KB 以下。

支柱 3：建立 `negativeFindings` 避坑注册表

针对多 Agent 协作中最隐蔽的“选项反复倒手”问题：

在共享上下文中维护一个只追加的轻量结构：

sharedContext.negativeFindings = {
    rejected_options: ["reuse_ref_#102"],    // 用户在交互卡片上显式点击拒绝的选项
    incompatible_routes: {                   // 经测量几何参数不匹配的路线
        clip_3: { approach: "control_extracted", reason: "occlusion_exceeds_threshold" }
    },
    failed_tiers: []                         // 算力限制或格式不支持的模型
};

消费纪律：交互卡片生成器与领域编译器在组装备选方案前，强制执行：
```
const validCandidates = allCandidates.filter(
    c => !sharedContext.negativeFindings.rejected_options.includes(c.id)
);
```
从数据层物理剔除已被否决的方案，从根源上杜绝「被拒绝的选项在后续轮次再次被端上来」的体验崩塌。

支柱 4：三层上下文解耦（DeLM 范式）

控制面只流动轻量句柄（Handles），不倒手大段富文本：

Tier 1: Gist（~100 tokens）：全局不可变的定稿需求（画幅比例、叙事基调、总时长）+ 当前生效阶段，对所有 Agent 全透明常驻；
Tier 2: Grounded Summary：各阶段产出的结构化映射表（分镜镜头表、切片时间戳联络表、人设资产槽位），仅在对应阶段专才激活时挂载；
Tier 3: Raw Payload：真实的画布节点大 JSON 与执行日志，仅由底座图操作引擎（Canvas OS Driver）在物理连线与落图时通过句柄现读画布，业务决策模型完全不接触底层 Raw 数据。

四、去中心化演进的防御性工程红线

拥抱去中心化并不意味着让智能体进入无序的布朗运动。在实践中，必须死守三条工程红线：

维度	致命反模式（Anti-Pattern）	正确架构防御（Defense）
状态维护	在内存中维护私有任务进度台账	进度永远从画布拓扑现算（从现实算进度，不读抽象台账）
执行权限	允许 Agent 服务端自动循环跑图	Agent 永不自动运行画布，所有节点置为 pending，最终由用户点击 Run 卡片触发
阶段划分	发明 `lock` / `control` / `remake` 等伪阶段	严格收敛为四大通用阶段，Canvas Agent 彻底退回零创意的纯图物理操作系统（Driver）

这三条红线构成了系统的「防波堤」：无论是 Agent 数量扩展还是流水线并发加速，系统永远有确定性的物理信源（画布），且永远处于人类监督（HITL）的安全闭环之内。这正符合我们在《Harness Engineering 完全指南：从提示词到组织工程的范式转移》中阐述的核心准则：约束与沙箱比自由度更重要。

五、结论：从「管教模型」到「机制设计」

微软 Agensh 和斯坦福 DeLM 为多智能体系统的工业化落地指明了清晰的技术收敛路径：当业务复杂度提升时，给中央编排器堆砌更长的提示词、更密集的反思循环，收益会迅速递减并走向反噬。

真正的破局方向是机制设计（Mechanism Design）：

将真理交还给工作区：让画布成为全体智能体共享的物理底座；
将质量拦截在门禁：用静态入库准入门禁替代主脑的微观监控；
将避坑沉淀为事实：用负面发现注册表物理消除无效重复试错；
将专才封装为确定性流水线：让物理测量归确定性工具，创意逻辑归专业小模型。

从中心化单体到去中心化 Swarm，改变的不只是几处代码结构，而是系统在长程任务中的鲁棒性与成本曲线。对于每一个在生成式画布与复杂多模态管线中跋涉的工程团队而言，这一步演进越早发生，系统的生命力就越持久。

参考资料

Zhihao Zhan, Ting Song, Li Dong, Shaohan Huang, Jianxun Lian, Yan Xia, Furu Wei — Agensh: Scaling Organizational Intelligence to 1,024 Agents (Microsoft Research, September 2026, arXiv:2609.26781)
Yuzhen Mao, Azalia Mirhoseini — Decentralized Multi-Agent Systems with Shared Context (Stanford SAIL, June 2026, arXiv:2606.10662)
Google Research — Towards a science of scaling agent systems: When and why agent systems work (December 2025, arXiv:2512.08296)
官小西 — 解构生成式画布 Agent 架构：从认知收敛、DAG 惰性调度到 Git for Canvas (2026-09)
官小西 — AI 重制视频为什么总是不稳定？2026 赛道全景与两种架构的分野 (2026-09)
官小西 — Harness Engineering 完全指南：从提示词到组织工程的范式转移 (2026-08)