简介
多智能体 Agent 领域，动态拓扑是近年 arxiv 上的热点方向。海外大量研究聚焦运行时修改计算图结构，代表工作 MermaidFlow、HyEvo、AdaptOrch，核心做法是允许节点新增、删除、重新连线，依靠演化算法、强化学习搜索适配任务的 DAG 图，目标直接指向做题准确率、token 开销这类外在指标。
国内前沿代表 MMAT（MechMath Agent Team，中科院数学院数学智能体）采用控制‑执行‑增强三层 Harness 架构，拆分 20 个专项子 Agent，已经实际攻克数论、代数 8 个公开数学问题，完整做完 IMO2026 全部六道题的推理加形式化验证。但这套分层调度只停留在课题组内部科研，没有下沉到大学本科教学。高校课堂普遍讲授固定计算图、固定执行流程，训练学生在给定流程下求解给定问题，几乎不会把 “工作流拓扑本身当作可调节的自由度”。
两类路线存在本质区分：一类是生成全新拓扑，可以改动节点集合；另一类是模块集合完全守恒，仅重排执行次序、改变数据流走向，算子与模块内部逻辑完全不变，依靠切换顺序来切换系统推演视角，不去新增销毁组件。
现实真实案例
案例1：海外生成式动态拓扑（允许增删节点，arxiv 公开工作）
1）HyEvo 数学题演化工作流
初始只有一个简单大模型解题节点。系统发现数学计算经常出错，运行时新增独立 Python 代码校验节点；又发现错误之后没有修正通道，新增自我纠正循环节点；后续还把原始解题节点拆成 “问题分析”“逻辑推理” 两个新节点。
整个过程节点数量越变越多，图结构被改写。同一个数学题，系统自动演化出一套越来越复杂的图，追求解题正确率提升。
特点：会新增、拆分节点；模块集合不是固定不变。
2）MermaidFlow 代码任务演化工作流
针对 HumanEval 代码数据集，系统把两套旧工作流做交叉变异：把 A 工作流的测试节点、B 工作流的多模型集成节点拼接在一起，生成全新的 Agent 图。过程里可以删掉没用的节点、新增中间校验节点，最后选出在代码生成上表现最好的新拓扑。
特点：不固守预先定义好的组件池，允许通过变异产生新的图结构。
3）AdaptOrch 任务自适应编排
拿到一个复杂任务，首先分解出一批子任务节点，实时构建 DAG 依赖图；任务执行失败，直接修改图的链路，调换部分子任务的依赖关系。它是为这个具体输入任务现场搭建一套图，任务换一张，拓扑往往也要重新生成。
以上海外全部动态拓扑的共性：为性能指标服务；节点可以增删、拆分、销毁。它们没有探索这样一种模式：所有模块完全不动，仅仅改变启动顺序，以此切换整套系统看待问题的视角。
案例2：MMAT（中科院 MechMath Agent Team）分层调度真实场景
以稀疏多项式公开问题的长期科研项目为例：
控制平面作为总调度，调度文献检索 Agent、猜想生成 Agent、反例搜索 Agent、形式证明 Agent 等 20 个子单元。
调度可以让文献 Agent 先跑，再交给猜想 Agent；也可以先生成猜想，再调用检索。
但各个子 Agent 的基础执行流水线本身是写死的。调度只是选择调用谁、什么时候调用谁，不会做 “全套模块全集保留，仅仅系统性重排全部模块的先后次序，以此切换推演范式”。
MMAT 解决公开数学问题时：可以回溯失败分支，可以切换子任务；但不会出现同一套完整组件，换一遍全局执行顺序，就从 “复盘验证模式” 切换到 “反向企划设计模式”。
这套架构能力很强，但 “顺序作为元自由度” 不是它原生设计目标。并且这套前沿系统普通本科生课程完全接触不到。
案例3：高校课程里的固定计算图现实例子
本科《大模型应用开发》、智能体相关实验作业，典型作业：搭建 “意图识别‑工具调用‑结果整理” 三段 Agent。
代码里面执行顺序硬编码：意图识别→工具调用→结果整理。
学生只允许修改每个模块内部提示词、参数；作业、习题、考试不会提出问题：如果我把工具调用放到最前面，整套系统会变成什么模式？
流程被看作是写死的工程骨架，不属于可以实验、可以切换的变量。绝大多数学生的思维里，模型 = 模块 + 固定顺序。
案例4：“模块全部保留，仅重排执行顺序” 的现实类比（现实业务逻辑，非 AI 论文）
项目评审的一套固定组件：风险评审、硬件资源核算、方案推演、效益评估，一共 4 个环节，组件功能全部固定不变。
顺序 A：方案推演→硬件核算→效益评估→风险评审。先推演方案，最后看风险。对应复盘、事后评估。
顺序 B：效益评估先行→风险评审→硬件核算→方案推演。先定效益目标、锁死风险红线，反推可以接受的硬件，最后生成适配的方案。属于企划设计。
顺序 C：风险评审最先启动→硬件核算→方案推演→效益评估。风险红线第一，不合格直接拦截，只做绝境保守推演。
四个环节没有新增，没有删除，每个环节内部判断逻辑一行不改，仅仅改变先后次序，整套业务的思考范式、适用场景彻底改变。
这就是 “固定模块集合，流转顺序作为自由度” 的现实实例。当前 AI 公开研究很少专门针对该模式做系统研究。
范式区分（用案例说明差异）
生成式动态拓扑（HyEvo/MermaidFlow）
真实行为：遇到数学题，我新增校验节点、拆分推理节点，造出新图，拿到更高正确率。
变化对象：节点数量、节点功能、连接关系。
目标：任务指标优化。
MMAT 分层调度
真实行为：有一堆数学专用子 Agent，总调度挑选部分 Agent、分配子任务，可以回溯失败分支；但全套组件不会做全局完整重排来切换推演范式。
变化对象：任务分配、调用时机、分支回溯；整套组件的全局执行排列不作为一等元操作。
固定模块‑仅重排序（上面项目评审类比）
真实行为：所有模块一个不少，内部逻辑完全不变；只改变全部模块的启动先后与数据流回流路径，切换系统的思考立场。
变化对象：执行排列、数据流向；模块集合、模块内部函数完全不变。
目标：切换推演范式（复盘 / 企划 / 风险优先），不是单纯刷准确率。
教科书固定计算图
真实行为：顺序写死，学生不能改动执行次序，只能调内部参数。
变化对象：无，流程属于不可操作的实现细节。
一、拓扑范式数学形式化定义
为清晰量化两类核心拓扑范式的本质差异，本文给出统一数学定义，区分生成式演化拓扑与固定模块重排序拓扑。
1.1 基础定义
智能体工作流拓扑可抽象为有向无环图：G=(V,E)G=(V,E)G=(V,E)
其中：
VVV：模块/节点集合（子智能体、工具、推理单元）
EEE：有向边集合（数据流依赖、执行先后关系）
F(v)F(v)F(v)：节点内部固定算子逻辑，不可动态修改
1.2 生成式动态拓扑范式（海外主流范式）
核心特征：节点集合、边集合均可动态变更，模块集合不守恒
Gt+1=Evolve(Gt),Vt+1≠Vt ∪ Et+1≠EtG_{t+1} = \text{Evolve}(G_t),\quad V_{t+1} \neq V_t \;\cup\; E_{t+1} \neq E_tGt+1=Evolve(Gt),Vt+1=Vt∪Et+1=Et
优化目标：最大化任务外在指标
max Acc(G) or min TokenCost(G)\max \; \text{Acc}(G) \;\; \text{or} \;\; \min \; \text{TokenCost}(G)maxAcc(G)orminTokenCost(G)
该范式允许节点新增、拆分、删除、链路重组，通过改变系统组件基数适配任务，HyEvo、MermaidFlow、AdaptOrch 均属于此类。
1.3 固定模块重排序范式（本文核心新范式）
核心特征：模块全集严格守恒，仅置换执行顺序与数据流链路
Vt+1=Vt,∀v∈V, F(v)t+1=F(v)tV_{t+1} = V_t,\quad \forall v\in V, \; F(v)_{t+1}=F(v)_tVt+1=Vt,∀v∈V,F(v)t+1=F(v)t
Et+1=Permute(Et)E_{t+1} = \text{Permute}(E_t)Et+1=Permute(Et)
核心约束：无节点增删、无算子修改、仅排列置换
优化目标：切换系统推演范式，而非单一指标优化
Mode(G)∈{复盘验证,正向企划,风险优先}\text{Mode}(G) \in \{\text{复盘验证},\text{正向企划},\text{风险优先}\}Mode(G)∈{复盘验证,正向企划,风险优先}
1.4 关键区分公式（分支路由 vs 全局重排）
传统条件分支（if-else 动态路由）：存在节点舍弃
Vrun⊂VallV_{\text{run}} \subset V_{\text{all}}Vrun⊂Vall
固定模块全局重排：全模块参与推演
Vrun=VallV_{\text{run}} = V_{\text{all}}Vrun=Vall
这是现有研究最容易混淆的核心边界：路由是筛节点，重排是换顺序。
二、核心范式极简伪代码
2.1 生成式拓扑演化伪代码（对标 HyEvo/MermaidFlow）
# 生成式动态拓扑：允许增删节点、重构图结构defevolve_topology(origin_graph,task_sample):# 1. 评测当前拓扑性能score=evaluate_task(origin_graph,task_sample)# 2. 图变异：新增/删除/拆分节点（核心特征）new_graph=mutate_graph(origin_graph,add_node=True,del_useless_node=True,split_complex_node=True)# 3. 择优保留新拓扑new_score=evaluate_task(new_graph,task_sample)returnnew_graphifnew_score>scoreelseorigin_graph2.2 固定模块重排序伪代码
# 固定模块重排序：模块守恒、逻辑不变、仅换顺序classFixedModuleRearrangeAgent:def__init__(self):# 固定模块池：全集守恒，运行时不增删self.module_pool=[risk_audit,resource_check,scheme_simulate,benefit_evaluate]# 通过排序策略切换推演范式defswitch_infer_mode(self,mode="review"):ifmode=="review":# 复盘模式：先推演、后校验self.exec_order=[scheme_simulate,resource_check,benefit_evaluate,risk_audit]elifmode=="plan":# 企划模式：先定目标、反推方案self.exec_order=[benefit_evaluate,risk_audit,resource_check,scheme_simulate]elifmode=="risk_first":# 风险优先模式：前置拦截self.exec_order=[risk_audit,resource_check,scheme_simulate,benefit_evaluate]defrun(self,input_data):# 全模块遍历、无舍弃、无修改，仅顺序不同res=input_dataformoduleinself.exec_order:res=module(res)returnres2.3 MMAT 式分层调度伪代码
# MMAT 分层调度：选节点执行，不全局重排defmmat_schedule(task):# 从模块池中挑选部分子Agent执行selected_agents=schedule_select(task.all_agents,task)# 固定子模块内部流程，仅调整调用时机与分支foragentinselected_agents:agent.fixed_pipeline(task)# 支持回溯，但不全局重排所有模块returntrace_back_failure(task)三、边界与现存缺口
1）海外动态拓扑方向，精力集中在增删、拆分、拼接节点来生成新图。即便支持条件分支、动态路由，条件分支只是跳过部分节点，不等于全部模块全集参与、仅重排全局次序。它们的优化目标聚焦准确率、token 消耗，不会把 “切换推演思考范式” 作为系统目标。HyEvo 遇到难题，选择新增节点；而不是原地重排已有全部模块。
2）MMAT 代表国内高质量本土多 Agent 工作，实现控制‑执行‑增强分离，面向长周期数学科研；但是该技术封闭在前沿课题组，不会进入本科教学。学生上课接触的仍然是固定流程的 Agent 示例。
3）大学教学体系普遍存在认知盲区：计算图、执行流转被视作底层工程实现细节，没有训练学生把 “流转排列顺序” 当作模型层面的设计自由度。学生擅长使用现成框架，缺少元层次的思考训练。
4）两类范式并不互斥，可以组合使用：外层允许生成新节点，内层允许在固定组件池内部做全局顺序重排。但目前公开论文中，这条组合路径几乎没有探索。
5）关键区分：简单 if‑else 条件分支 ≠ 模块全集重排序。if‑else 是跳过部分节点；重排序模式下，全部模块都参与本轮推演，只是启动先后、数据回流路径发生变化。
现存核心缺口：现有公开研究热衷于 “创造新组件、新连接”，但对 “复用全部已有组件，依靠全局顺序切换改变系统推演范式” 这条路线挖掘不足；教育层面尚未把工作流拓扑提升到模型一等自由度。
四、总结与未来展望
4.1 全文总结
本文系统梳理了多智能体动态拓扑领域的两类核心对立范式：以 HyEvo、MermaidFlow 为代表的生成式拓扑演化范式，以及本文重点阐释的固定模块全集重排序范式，同时对标国内顶尖的 MMAT 分层调度架构与高校传统固定计算图教学模式，完成了范式的边界界定、案例拆解与数学形式化。
现有主流研究的核心逻辑是以结构换性能，通过增删节点、重构计算图拟合任务指标；而固定模块重排序范式的核心价值是以顺序换范式，在零组件新增、零逻辑修改的前提下，通过全局执行排列变换，让同一套智能体系统拥有复盘、企划、风险优先等多种推演思维模式，实现了结构守恒、范式可变的全新设计思路。
同时本文厘清了行业认知误区：条件分支动态路由与全局模块重排存在本质差异，前者是节点筛选的工程优化，后者是顶层推演范式的模型级创新。
4.2 未来研究展望
1）混合拓扑范式是未来核心方向
将海外生成式图演化与国内固定模块重排序结合，构建“外层动态增删节点、内层全局顺序重排”的双层拓扑架构。简单任务复用固定模块重排降本，复杂任务通过拓扑演化增强能力，兼顾范式多样性与任务准确率。
2）拓扑顺序的量化学习与自动调度
当前重排策略依赖人工定义，未来可通过强化学习、大模型语义理解，根据任务类型自动匹配最优执行顺序，实现“输入任务→自动切换推演范式”的端到端自适应智能体。
3）填补高校教学认知空白
将“拓扑顺序作为一等自由度”纳入大模型智能体开发教学，打破学生“模块+固定流程”的固化思维，培养面向拓扑设计、范式切换的高阶工程思维。
4）落地垂直行业场景
固定模块重排序范式极其适配科研推演、工程评审、方案设计、风险管控等结构化场景，可快速落地数学证明、工程立项、代码审计、风控决策等领域，具备极高的工业与科研落地价值。
5）轻量化可解释智能体构建
相较于黑盒拓扑演化，固定模块重排的执行逻辑完全可控、可溯源，模块无新增、逻辑无篡改，在需要高可信、可解释的专业智能体场景，具备天然的合规与技术优势。
结语
动态智能体拓扑的竞争，已经从“能不能改结构”进入“能不能改思维”的新阶段。生成式演化解决了智能体做得更准的问题，而固定模块重排序解决了智能体想得更全、视角更多元的问题，二者互补融合，将是下一代通用智能体工作流架构的核心演进方向。
