ACF：认知不对称下智能体隐蔽通信的协作框架

随着生成式人工智能的演进，自主智能体网络为交互式隐蔽通信提供了强大范式。然而，由于智能体通过环境交互动态更新内部记忆，现有方法面临一个关键的结构性脆弱点：认知不对称。传统方法要求严格的认知对称，即编码器与解码器之间的序列前缀必须完全一致。在动态部署中，不可避免的前缀差异会破坏同步，导致严重的信道退化。为应对认知不对称这一核心挑战，我们提出非对称协作框架（Asymmetric Collaborative Framework, ACF），它通过正交的统计层与认知层在结构上将隐蔽通信与语义推理解耦。通过部署由共享隐写配置支配的与前缀无关的解码范式，ACF消除了对认知对称的依赖。在真实记忆增强工作流上的评估表明，在严重认知不对称下，对称基线遭受严重的信道退化，而唯有ACF在语义保真度与隐蔽通信两方面都表现出色。它保持计算不可区分性，能够以可证明的误差界可靠提取秘密，并为现代智能体网络提供鲁棒的有效信息容量（Effective Information Capacity）保障。