当并行性得到回报时：多代理编码的内聚感知任务分区

多代理 大语言模型 (LLM) 系统提供了一种通过并行化和上下文隔离来分解复杂任务（例如编码）的方法。然而，在实践中添加代理会引入代理间通信开销，这会产生额外的成本，有时会抵消效率的提高。我们将多代理编排形式化为一个图分区问题，捕获通信与计算之间的权衡：任务分解可以缩短关键路径计算，但跨代理依赖需要昂贵的上下文传输。我们在存储库级软件工程中实例化了这个视图，并提出了 Cohesion-aware Coder (Co-Coder)，它通过静态分析构建依赖关系图，隔离结构中心文件，通过社区检测对图进行分区，并使用依赖关系感知调度程序执行分区。在 DevEval 和 CodeProjectEval 上的 28 个实际任务中，Co-Coder 在顺序和基于文件的并行基线以及 Agent Teams 的 Claude Code 上提升了 Pareto 前沿，将通过率提高了 14.0%，实现了 2.10 倍的挂钟加速，并将 API 成本降低了 35%，在依赖最密集的项目中收益最大。 Co-coder 演示了内聚感知编排如何使并行 编码智能体 既具有理论基础又具有实际效率，为多智能体系统提出了更广泛的设计原则。