利用状态差分轨迹增强多智能体通信

基于摘要分析。本文研究 LLM 多智能体系统中自然语言通信可能丢失内部推理信息的问题，提出同时传递自然语言 token 与逐 token 状态转移轨迹的通信协议，并用 State Delta Encoding（SDE）表示状态变化。 核心机制：作者认为，将连续状态向量转换为离散 token 后再传给另一智能体，会损失部分信息，尤其是推理逻辑与抽象思考。相较于直接传递状态值，作者提出使用每个 token 生成后的状态变化序列，以补充仅靠文本难以表达的推理过程信息。这里的研究对象是 LLM 智能体间通信，不是 EEG 状态建模；来源栏目中的 State space models 也不足以确认方法采用了某种状态空间模型架构。 结果与证据边界：作者报告，使用 SDE 的多智能体系统相较其他通信协议达到 SOTA，优势尤其体现在复杂推理任务。摘要未提供任务与数据集名称、评价指标、分数、对照配置或统计信息，因此该结论目前只能作为作者报告记录。状态提取位置、差分编码形式、接收智能体如何利用轨迹、是否需要额外训练，以及通信量与推理成本，均尚未验证；实验协议、消融及统计信息也尚未验证。 适用范围：方法依赖获取 LLM 的逐 token 内部状态，并将其变化传递给其他智能体，但不同模型间的状态兼容性与所需监督规模尚不明确。材料没有提供神经信号输入、跨被试适应或 BCI 任务验证，也没有建立状态差分轨迹与 EEG 瓶颈之间的具体机制对应，因此不据此生成 EEG 迁移实验建议。已有 EEG 相关工作尚未检索确认。