在刘易斯信号博弈中，发送方与接收方只能依靠彼此的交互历史，就一套通信代码达成协调。那么，两个智能体究竟如何从零开始发明出一门共享语言？Yashar Talebirad 与另外三位作者提交的论文《From Signals to Structure: How Memory Architecture Drives Language Emergence in LLM Agents》围绕这一问题展开研究，论文编号为 arXiv:2607.00233，于 2026 年 6 月 30 日提交，属于 cs.AI，同时涉及 cs.CL、cs.IT 与 cs.MA 等方向。
研究团队让 LLM 智能体在多种信道配置下进行信号博弈，并系统比较了五种记忆架构。核心发现是：记忆架构比信道容量更重要。换句话说，智能体能否把信号稳定为约定，关键不在于双方之间能传递多少信息，而在于它们如何保存和利用过去的交互。
实验中最突出的是带有持久私人笔记本的智能体。这类智能体不仅能利用富余的信道容量，还避开了无状态智能体在高容量下出现的“崩溃”现象。在容量为 25 时，它们的协调成功率最高，达到 0.867 ± 0.023。相比之下，无状态智能体在中等容量下表现最佳，一旦词汇量增长到滚动上下文窗口无法跟踪的程度，性能便随之下降。
作者对此给出的解释是：笔记本把学到的约定外部化，使智能体不必每一轮都重新推导代码。正是这种外部记忆，让交互历史得以沉淀为稳定惯例。
论文还检验了一种受信息瓶颈理论启发的预测：最优容量应当等于物体数量。然而实验结果与此相悖——容量为 8 的瓶颈反而成为脆弱点，富余容量总体表现更好。由此，作者得出结论：单凭信道容量无法预测协调能否成功；记忆架构决定了智能体能否把交互历史转化为稳定约定，只有同时考虑这两个维度，才能真正理解信号如何演变为语言。
论文全文可通过 PDF 或实验性 HTML 版本查看，提交历史显示 v1 版本于 2026 年 6 月 30 日 22:20:41 UTC 发布，文件大小为 1,133 KB，DOI 由 DataCite 发放（尚待注册）。该工作对多智能体通信、语言涌现以及 LLM 智能体的记忆设计都具有参考价值。