在人工智能研究的前沿，长期运行的编码代理（如自动研究系统）展现出持续为开放式问题发现优化方案的能力。然而，这类系统存在一个显著缺陷：它们倾向于收敛到单一的高级策略，随后仅进行低层次编辑，而忽略了其他可能更优的解决途径。研究人员 Yuvraj Virk 及其同事假设，这一行为源于两个关键的设计选择：在单一长期运行的代理中积累上下文，以及仅暴露单个程序状态供编辑。
为了克服这一局限性，他们提出了 SwarmResearch，一种创新的编排器-子代理框架。该框架的核心是一个名为 Shepherd 的代理，它利用全局上下文来引导一组搜索代理。每个搜索代理在其独立的 git 分支中运行，拥有局部上下文，从而能够独立探索不同的方向。Shepherd 代理则从全局视角协调整个搜索过程，确保多样性和高效性。
在针对开放式优化任务的实验中，SwarmResearch 展现了卓越的性能。在 15 项任务中，有 13 项任务它发现了优于或至少媲美最先进的 LLM 引导进化方法和多代理技术的解决方案。这一成功主要归功于其更高层次的探索能力。与固定规模的串行或并行代理相比，SwarmResearch 通过在不同搜索深度自适应调整并行度，发现了性能更优的解决方案，从而实现了更好的扩展性。
该研究论文于 2026 年 7 月 2 日提交至 arXiv，主题为人工智能（cs.AI）。SwarmResearch 的工作展示了如何通过智能编排多个代理，实现更高效、更全面的自动优化探索，为未来 AI 研究开辟了新的方向。