# openJiuwen 搞了个叫 MANGO 的多智能体流网络，让一群模型自己学会怎么组队干活

> 原标题：解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络

- 来源：机器之心 · 公众号
- 发布时间：2026-06-08T02:07:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/36575
- 原文：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651037653&idx=3&sn=1959e79cb613dd89bd2c98834312823b

## 摘要

openJiuwen 提出了 MANGO，一个多智能体流网络框架。它把强化学习、文本梯度（用自然语言反馈来调模型）和 Skip-k 机制（跳过不靠谱的中间步骤）揉在一起，让一群模型自己学会怎么组队、怎么分工。用 GPT-4o-mini 跑分，在 MATH500 数学题上比 MaAS 准确率高了 12.8 个百分点，在 DROP 阅读理解上比 AFlow...

## 推荐理由

我会先打个折：这还是个研究框架，不是大模型或平台级发布，所以别当重磅炸弹看。但 HKR 里 K 最扎实，机制和数字都给出来了，MATH500 上 +12.8% 的差距不算小。H 和 R 靠“流网络”这个角度撑住，对搞多智能体协作的人有参考价值。正文没提开源代码链接，这点先别太激动。

## 锐评

这条消息最值得点的地方是思路：把强化学习、用自然语言当反馈信号（文本梯度）和跳过不靠谱中间步骤（Skip-k）揉在一起，让多个模型自己摸索怎么分工协作，而不是靠人预先写好死板的流程。用 GPT-4o-mini 这种小模型跑，在 MATH500 数学题上准确率比 MaAS 高了 12.8 个百分点，在 DROP 阅读理解上 F1 比 AFlow 高了 5.1 个百分点，说明这套自动组队的方法确实能榨出小模型更多能力。

但必须打个大折扣：原文链接被微信环境异常页挡住了，正文完全看不到。上面这些数字全来自机器之心给的摘要，实验设置、训练成本、Skip-k 具体怎么判断“不靠谱”、对模型本身有没有额外微调，这些关键信息一概缺失。12.8 个百分点的提升听起来不小，但不知道对比基线是否公平、测试集有没有泄露风险，也没法判断这套方法换到其他模型或任务上还灵不灵。

目前只能当个思路参考。等 openJiuwen 把论文或代码放出来，才能看清是真省钱还是只跑通了几个特例。