1+N：一种面向约束的 AI 架构设想
近两年，Multi-Agent 几乎成为 Agent 系统的主流架构。Planner、Coder、Reviewer、Executor 等多个 Agent 分工协作，通过不断对话完成复杂任务。这种设计确实提升了任务分解能力，也改善了长流程执行效果。然而，从更深层的角度看，当前绝大多数 Multi-Agent 系统仍然建立在同一种认知范式之上：多个 Agent 共享同一个基础模型、同一种训练目标和同一种知识表示，它们更像是一个模型扮演不同角色，而不是多个真正不同的智能体。
因此，Multi-Agent 更像是搜索能力的扩展，而不是创造能力的扩展。多个 Agent 可以探索更多路径，可以互相检查错误，也可以降低推理过程中的随机性，但整个系统始终运行在同一个概率空间和同一种约束体系之内。当所有 Agent 都来自同一个基础模型时，它们讨论问题的方式、评价答案的标准以及最终收敛的方向，本质上都是一致的。系统能够产生更多组合，却很难产生真正意义上的范式变化。
问题并不在于 Agent 数量，而在于约束来源。
科学的发展从来不是多个观点不断达成共识，而是不断面对新的约束。当新的实验结果无法被旧理论解释，当新的数学对象无法被旧表示统一，人们不得不修改整个理论框架。真正推动知识发展的，并不是更多意见，而是越来越多无法回避的约束。这些约束最终迫使人类寻找新的表示方式，并在新的表示下发现更深层的不变量。
如果从这个角度重新审视今天的大语言模型，会发现一个重要事实：并不是所有知识都距离现实世界同样接近。
本文所谓的"强约束"与"弱约束"，并不是指约束本身的力度，而是指它们距离物理可行性的远近。距离现实越近，约束越容易直接验证；距离现实越远，中间经过的表示层次越多，不确定性也越大。数学、逻辑和物理几乎直接描述世界最底层的不变量，它们构成了距离现实最近的一层约束，因此本文称之为强约束。医学建立在生物学之上，生物学建立在化学之上，化学建立在物理之上；金融、法律、管理和社会制度又进一步建立在人类行为之上，它们距离底层物理约束越来越远。约束并没有消失，而是在一层层表示转换中不断传播，并累积越来越多新的自由度。
因此，所谓弱约束，并不是约束变弱，而是距离现实更远。
这也是为什么数学证明具有严格的确定性，而金融预测、医疗决策和社会治理始终充满概率性。它们最终都受到物理世界约束，但中间经过了大量复杂系统，每一层都会引入新的状态变量、新的反馈机制以及新的不确定性。越靠近现实底层，规律越稳定；越远离底层，越需要依赖统计、经验和长期实践。
如果按照约束组织知识，而不是按照领域组织知识，未来 AI 架构或许也应该发生相应变化。
一种可能的方向，可以概括为"1+N"。
其中，"1"并不是一个无所不知的超级模型，而是整个系统的强约束推理核心。它负责数学、逻辑、物理、形式化验证以及程序语义等人类已经建立起来的稳定约束体系。它维护系统的一致性，负责检查不同推理之间是否满足已有的不变量，并帮助不同领域建立共同的表示方式。它更像整个系统的约束中心，而不是知识中心。
"N"则代表多个垂直领域模型。每一个模型对应一个距离现实不同层级的专业领域，例如医学、金融、法律、教育、软件工程、生物学等。这些模型并不需要覆盖整个互联网，而是深入学习本领域长期积累的经验知识、行业语言以及隐含约束。它们的主要能力不是演绎证明，而是在开放世界中进行统计学习、经验归纳和局部外推。
这种架构最大的变化，并不是计算资源如何分配，而是职责如何划分。
垂直模型负责不断探索开放世界中的新知识、新经验和新的局部规律；强约束推理核心则负责分析这些知识之间是否存在冲突，哪些规律能够进一步统一，哪些表示已经无法继续容纳新的约束。当越来越多领域开始发生联系时，它尝试寻找能够统一这些约束的新表示，而不是简单地判断谁对谁错。
例如，一个医疗模型建议采用某种治疗方案，一个法律模型指出其中存在监管限制，一个经济模型认为成本过高。这些模型本身都没有错，它们只是分别反映了不同约束体系下的局部最优。真正需要解决的问题，并不是让某一个模型战胜另外一个模型，而是在越来越多约束共同作用下寻找新的可行方案。这本质上已经不是文本生成问题，而是约束满足问题。
这种结构与科学的发展过程具有高度一致性。
历史上，各个学科首先都在自己的约束体系内形成局部规律。当越来越多学科之间开始发生联系，人们才逐渐发现它们背后存在更深层的不变量。牛顿统一了天体运动和地面运动，麦克斯韦统一了电与磁，诺特进一步揭示了守恒量与对称性的统一关系。每一次重大理论突破，都不是不断增加新的知识，而是在越来越多约束无法继续由旧理论统一之后，引入一种新的表示，使原本彼此独立的规律成为同一个结构的不同表现。
未来人工智能真正值得探索的方向，也许并不是设计更多角色、更复杂流程的 Multi-Agent，而是构建一种由强约束推理核心和多个垂直领域模型组成的知识生态。这里的核心并不负责拥有所有知识，而负责维护整个系统的一致性；各个领域模型也并不追求统一，而是在各自约束下持续探索开放世界。随着越来越多约束进入同一个系统，更深层的不变量才有可能逐渐显现。
如果说过去的大语言模型解决的是"知识获取"的问题，那么未来人工智能更重要的挑战，也许将是"知识统一"。真正的创造，并不来自更多模型之间的对话，而来自不同约束体系之间持续积累的张力，以及这种张力最终催生出的新的表示方式和新的不变量。
从这个角度看，未来 AI 的竞争方向也许将发生根本变化。过去几年，行业不断追求更大的参数规模、更长的上下文以及更高的数据覆盖率，这是开放世界统计学习的自然结果。但对于大量垂直领域而言，真正重要的并不是拥有全世界的知识，而是充分理解本领域距离现实约束的位置，并建立稳定而深入的知识表示。一个优秀的医学模型、法律模型或软件工程模型，并不一定需要无限增长的参数规模，它更需要的是长期沉淀本领域的约束体系。
真正需要持续提升的，反而是系统统一约束的能力。随着垂直模型不断增加，系统获得的不是越来越大的参数规模，而是越来越丰富的约束来源；随着强约束推理能力不断增强，系统提升的也不是记忆容量，而是统一知识、组织表示和发现不变量的能力。
因此，未来 AI 的竞争，也许不再是谁拥有最大的模型，而是谁能够组织更多样的约束、统一更广泛的知识，并从中发现更深刻的规律。从参数竞争走向约束竞争，从知识获取走向知识统一，这或许比继续卷参数，更接近通向通用智能的一条道路。