分布式 agentic UAV 集群中的上下文与通信管理

一篇论文提出面向 UAV 集群的分布式 agent 架构：每架 UAV 本地运行独立 Small Language Model，通过事件驱动的 reason-act-observe 生命周期持续控制，并将运行时知识表示为结构化原子 note，分为 core、local、peer 三类记忆，由一个确定性、关注兴趣的 gossip 引擎按接收方的语义新颖度与时效性选择性分发。在十架 UAV 的模拟搜救任务中，该方法完成全部实验运行，而不受限制的 flooding 仅完成 70-85%，让 SLM 自行决定转发则在每次运行中都无法完成任务；相比 flooding，该方法推理 token 消耗约减半，传输数据减少，幸存者计数误差更低。

此前分布式多 agent 系统常依赖集中式协调器，或让语言模型自行判断信息是否转发。该工作把上下文管理和通信决策从模型推理中剥离，改由确定性机制处理，在模拟任务完成率上相对 flooding 和 SLM 自主转发形成明显差距，指向一条降低分布式集群推理与通信开销的工程路径。

机制核心是把运行时知识拆成结构化原子 note，并按 core、local、peer 分层存储，使每架 UAV 只保留与自身相关的上下文，避免长交互历史拖累推理质量。gossip 引擎用接收方维度的语义新颖度和时效性做确定性筛选，因此不需要额外模型推理即可决定是否转发，同时抑制冗余消息，减少通信与 token 消耗。

对做多智能体或边缘设备产品的团队，该结果支持把上下文压缩与消息路由做成独立、确定性的基础设施，而不是交给模型即兴决策。研发上可据此设计分层记忆结构和兴趣过滤的转发规则，以降低推理成本与带宽占用，并提升长时间运行任务的稳定性。

• 在多 agent 协作产品中，将上下文拆为全局、本地、对端三层记忆，并设定写入与失效规则。
• 为消息转发实现基于语义新颖度与时效性的确定性过滤器，替代让模型逐个决定转发。
• 在边缘设备上按任务阶段裁剪本地上下文，控制单次推理的 token 预算并做 A/B 验证。
• 将任务完成率、token 消耗、传输数据量和结果误差作为多 agent 系统的固定评测指标。

• 该架构在真实 UAV 硬件与真实通信条件下的表现是否与模拟一致，证据未说明。
• 在 UAV 数量更多或任务更复杂时，兴趣感知 gossip 的完成率与开销是否仍保持优势，尚未验证。
• core、local、peer 三类记忆的容量上限、淘汰策略及长期运行的退化情况未在证据中给出。
• 证据仅来自单一论文的模拟搜救任务，缺少独立复现或其他信源交叉验证。