利用状态差分轨迹增强多智能体通信

基于摘要分析。本文研究由同一基础 LLM 构建的多智能体系统中的通信问题，提出同时传递自然语言 token 与逐 token 状态转移轨迹的协议，并用 State Delta Encoding（SDE）表示这些轨迹，以补充仅靠离散文本通信可能丢失的推理信息。 核心机制：作者认为，角色扮演、多轮辩论等系统通常依赖自然语言交换信息，将连续状态向量转换为离散 token 时可能损失推理逻辑或抽象思考。相比状态值本身，作者主张每生成一个 token 后的状态变化序列更能反映推理过程中的隐含信息。摘要未说明所取状态的位置、差分计算及编码形式，也未交代接收智能体如何融合文本与 SDE、是否需要额外训练，这些实现条件尚未验证。 结果与证据边界：作者报告，采用 SDE 的多智能体系统相较其他通信协议达到 SOTA，尤其在复杂推理任务上表现突出。但摘要未提供任务与数据集名称、评估指标、分数、基线配置或统计信息，因而无法核对优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 与 BCI 的关系：原论文的研究对象是 LLM 多智能体通信，而非 EEG 解码或神经信号建模。平台推测（待验证）：若 BCI 系统包含共享基础 LLM 的多个推理智能体，SDE 可作为其内部通信机制的候选，但这不等于改善 EEG 表征或解码性能。当前材料尚不足以建立状态差分轨迹与低信噪比、跨被试或跨通道问题的具体对应关系，不据此提出 EEG 迁移实验；已有 EEG 相关工作尚未检索确认。