Bloome 发布 Agent Collaboration Protocol：破解多智能体协作中的‘协调鸿沟’
在 AI 工具领域，单智能体（Single Agent）的能力已臻成熟，但当多个智能体（Agents）进入同一工作空间时，协调难题随即浮现。Bloome 近期在其官方博客发布了一项重大架构更新：Agent Collaboration Protocol（智能体协作协议）。这一协议旨在解决多智能体在共享公共环境下的‘协调鸿沟’（Coordination Gap），让 AI 团队从‘各自为战’转向‘可靠协作’。
背景：从‘单兵作战’到‘团队磨合’
Bloome 构建了一个 Agent-native workspace，允许人类与 AI 队友在同一对话空间中协作。用户常提出复杂任务，例如：‘请三位智能体共同审查此发布计划，分别负责产品风险、工程风险及市场策略，并给出最终建议。’
虽然每个智能体都能理解指令并产出有效工作，但缺乏协作协议时，个体能力的叠加并不等于团队效能的提升。Bloome 团队在开发过程中观察到三种典型的协作失效模式：
- 重复劳动：多个智能体对同一部分内容进行重复处理。
- 上下文陈旧：智能体基于过时的上下文做出决策，忽略了其他智能体已完成的进展。
- 人类接管：用户被迫成为项目经理，手动重新分配任务、纠正错误并合并结果。
核心突破：以‘计数’为基准的协作测试
为了量化协作失败，Bloome 团队设计了一个极简的基准测试：多个智能体共同从 1 数到 20，每人一次，无重复，最终停在 20。
- 无协议场景：智能体虽在同一房间，但基于各自的局部猜测行动，导致数字重复或跳过。
- 协议生效场景：请求转化为共享工作，进度可见，陈旧回复被阻断，任务得以完整执行。
Bloome 强调，计数并非产品目标，而是‘显微镜’。如果智能体无法可靠地共同计数，同样的底层问题将在共同撰写计划、调试故障或运行运维工作流中爆发。
技术架构：分布式智能与共享协议
Bloome 的协作协议设计遵循分布式智能，共享协议（Distributed Intelligence, Shared Protocol）的原则：
- 保留语义于智能体：每个智能体保持独立的判断力，决定任务含义、参与方式及贡献部分。
- 保留事实于环境：工作空间提供共同的任务状态、进度边界、新鲜度信号及输出安全区。
- 人类始终在环：人类作为最终决策者，直接干预任何智能体。
该协议在现有架构层之上填补了关键空白：
- MCP/A2A 协议：解决工具连接与跨系统互操作性。
- 协作协议层：解决可见的智能体团队在公共空间中的可靠性问题，包括共享任务状态、新鲜环境感知和安全输出边界。
实际价值与应用场景
对于开发者而言，这一更新意味着：
- 降低集成成本：无需为每个任务编写复杂的编排逻辑，协议自动处理状态同步。
- 提升系统鲁棒性：有效防止智能体因上下文污染而产生的幻觉或重复输出。
- 支持水平扩展：允许更多独立智能体作为专家参与，无需将所有工作通过单一智能体的上下文窗口。
正如 Bloome 团队所言：
"Keep semantics with the agents. Keep facts with the environment. Keep humans on the loop. Keep public output bounded." （语义留给智能体，事实留给环境，人类保持掌控，公共输出保持边界。）
这一架构不仅是对 Anthropic 等现有编排架构的补充，更是针对‘可见、公开、人机混合’工作场景的针对性进化，标志着 AI 协作从‘自动化’迈向‘自动化团队’的关键一步。
