MeshHeal：去中心化 LLM 智能体网络灰故障的双时间尺度自愈

来自 arXiv 的论文提出 MeshHeal，一个面向去中心化 LLM 多智能体网络的完全去中心化自愈框架，用双时间尺度机制处理“灰故障”——智能体仍可响应但任务质量持续下降。快速尺度上用能力匹配的同行评审逐级升级，慢速尺度用同行相对检测器识别持续退化并隔离智能体，恢复探针用于重新接入。论文同时在 BBH、MATH、MMLU-Pro 上提出 Model-Backed MAS Evaluation 评估路由。

此前去中心化多智能体路由通常假设智能体要么正常要么失效，难以处理“表面响应正常、输出质量持续退化”的灰故障；该工作把保护当前任务与调整未来路由拆成两个时间尺度，并给出可对比的 token 成本证据，使灰故障从隐性风险变为可检测、可隔离、可恢复的对象。

机制核心是能力匹配的同行评审：快速尺度用重复单评审、委员会审议、必要时纠错来保护当前输出；慢速尺度用任务与能力条件下的同行相对检测器聚合分数，区分持续退化与正常波动，触发强制委员会评审并最终把退化智能体排除出普通路由，恢复探针提供重新纳入的新证据。Model-Backed MAS Evaluation 将能力分配绑定到执行模型，避免仅凭提示词分配能力掩盖路由错误。

对多智能体产品而言，这意味着需要把评审与检测流程内建到编排层，而不只是依赖单点健康检查；可在不显著增加模型 token 成本的前提下提升退化期任务准确率，但也引入委员会审议、强制评审和恢复探针导致的延迟与流程复杂度，适合对质量稳定性要求高的场景。

• 在多智能体编排平台中加入双时间尺度健康检测：快速评审保护当前输出，慢速检测隔离持续退化节点。
• 为智能体路由层提供恢复探针机制，允许被隔离节点在通过新证据验证后重新进入普通路由。
• 在评测与上线流程中采用 Model-Backed MAS Evaluation，把能力分配绑定到真实执行模型，减少路由错误被掩盖。

• MeshHeal 在更大规模或异构智能体网络中的隔离与恢复效果是否仍成立？
• 论文未说明委员会审议和恢复探针带来的端到端延迟与部署成本具体是多少？
• 非 arXiv 独立复现或生产环境验证尚未出现，实际稳定性有待确认。