引言：一个关于「协调」的古老问题
2026 年 6 月，COMPUTEX 大会上，黄仁勋发布了 NVIDIA Cosmos 3——一个统一了语言、图像、视频、音频和动作序列的全模态世界基础模型，明确将「物理 AI」定义为下一代计算平台 [1]。几乎同一周，小米开源了 MiMo Code，一个带持久记忆和长任务编排能力的终端编程智能体，其内置的 MiMo-V2.5-Pro 模型声称在通用智能体能力上达到全球顶尖水准 [2]。Anthropic 的 Claude Fable 5 在 SWE-bench Pro 上跑出了 80.3% 的成绩，企业采用率达到 34.4% [3]。
这些新闻的共同指向是：2026 年，AI 的竞争焦点已经从「谁能生成更好的文本」转向「谁的 Agent 能真正干活」——自主地规划、调用工具、与其他 Agent 协作完成复杂任务。
但一个尴尬的事实是：当我们试图让多个 AI Agent 协同工作时，我们几乎无一例外地回到了同一种架构——一个中心化的调度器告诉每个 Agent 该做什么。LangGraph 用图结构编排、AutoGen 用对话管理器协调、CrewAI 用角色分工加主控 Agent 分发任务 [4]。这些框架各有千秋，但都共享一个隐性的架构假设：协调需要一个「大脑」。
而在我们脚下大约三十厘米的土壤里，一个没有大脑的协调系统已经运行了超过四亿年。
菌丝网络——真菌在地下编织的细丝状结构——连接着森林中 90% 以上的植物物种，形成了地球上最大、最古老的分布式网络 [5]。它没有中央控制器，却能协调数千棵树之间的碳转移；它没有路由器，却能将化学警报信号精准传递给受威胁的植物；它没有负载均衡器，却能自动将资源从富余节点输送到匮乏节点 [6]。
如果我们将这个生物网络的组织逻辑——而不是它的具体实现——移植到多 Agent 系统的架构设计中，会发生什么？
本文试图认真地回答这个问题。不是做一个轻飘飘的比喻，而是从菌丝网络的生物学机制出发，逐一检视它与当前多 Agent 系统架构的同构性和差异性，然后提出一个具体的、可实验的技术方案。
第一部分：菌丝网络——地球上的第一个「互联网」
1.1 什么是菌根网络
菌根（Mycorrhiza）是真菌与植物根系之间的一种互利共生关系，距今已有约 4.5 亿年的演化历史 [7]。在这一关系中，真菌的菌丝（hyphae）——直径通常仅 2-10 微米的管状结构——穿透植物根皮细胞或包裹在根外，形成一个巨大的交换界面。植物向真菌提供光合产物（主要是碳水化合物），真菌则利用其远超根系的吸收面积，为植物提供水分和矿质营养（尤其是磷和氮）。
关键在于：菌丝不止连接一棵植物。同一片菌丝体（mycelium）可以同时与数十甚至数百棵不同物种的植物建立菌根连接，形成一个地下网络——学界称之为「共同菌根网络」（Common Mycorrhizal Network, CMN）[5]。这个网络在森林地下的分布密度惊人：一汤匙森林土壤中可能包含数公里长的菌丝 [15]。
1.2 源–汇机制：一个没有会计的资源再分配系统
菌丝网络最令人惊叹的功能之一是资源的跨个体转移。Suzanne Simard 及其团队在 1997 年发表于 Nature 的经典实验中，使用放射性同位素碳-14 和碳-13 追踪技术，首次证明了碳元素可以通过地下菌丝网络在白桦（Betula papyrifera）和花旗松（Pseudotsuga menziesii）之间进行双向转移 [8]。
这一转移遵循一种「源–汇」（source-sink）动力学：在夏季，受遮蔽的花旗松因光合能力下降成为碳的「汇」，而阳光充足的白桦成为碳的「源」，碳通过菌丝网络从白桦流向花旗松；到了秋季，白桦落叶后光合能力骤降，源汇关系反转，花旗松将部分光合产物回馈给白桦 [6]。这种资源流动不是被动的泄漏，而是由菌丝体主动调控的——真菌通过调节菌丝的生长方向和代谢活性来决定资源的流向和流量 [9]。
更值得注意的是「母树」现象。Simard 在后续研究中发现，森林中最大、最古老的树木（母树）通过菌根网络优先识别并「喂养」自己的后代幼苗，向亲缘关系更近的幼苗输送更多的碳和营养 [10]。这暗示菌丝网络中存在某种亲属识别机制——一种不依赖中央数据库的、基于化学指纹的分布式身份识别。
1.3 化学信号：地下网络的「信息层」
资源转移只是菌丝网络功能的一半。另一半是信息传递。
Babikova 等人在 2013 年发表于 Ecology Letters 的实验中证明：当蚕豆（Vicia faba）被蚜虫攻击时，攻击信号可以通过菌丝网络传递到未受攻击的邻近植株，使后者在蚜虫到达之前就启动防御反应——包括提高几丁质酶和过氧化物酶的活性 [11]。Song 等人在 2015 年的实验进一步发现，番茄植株通过菌丝网络接收虫害预警信号后，会激活茉莉酸（jasmonic acid）信号通路，显著提升抗虫能力 [12]。
这种信号传递的机制目前被认为是多通道的：既有化学分子（如水杨酸、茉莉酸甲酯）沿菌丝的主动运输，也有菌丝内部钙离子波和电信号的传导。Adamatzki 等人在 2023 年的研究中记录了菌丝体内类似神经网络的电脉冲活动，发现其放电模式具有时间序列上的非平凡结构 [13]。
1.4 去中心化决策：没有 CEO 的组织
菌丝网络最深刻的启示在于：上述所有复杂行为——资源再分配、信号路由、身份识别——都是在没有任何中央控制的情况下涌现的。
菌丝体的每一个菌丝尖端都是一个独立的「决策单元」：它感知局部的化学梯度、营养浓度和物理障碍，据此决定自己的生长方向（趋化性 / chemotaxis）和分支模式。全局的协调行为不是被规划出来的，而是从大量局部交互中自组织涌现的 [14]。
这与另一种著名的生物计算模型——多头绒泡菌（Physarum polycephalum）——形成了有趣的对照。日本学者中垣俊之（Toshiyuki Nakagaki）在 2000 年发表于 Nature 的实验中证明，这种单细胞黏菌能够在迷宫中找到最短路径 [16]，并在后续实验中展示了近似东京铁路网的高效网络拓扑设计能力 [17]。绒泡菌的网络优化依赖于管状结构中胞质流动的反馈机制——流量大的管道会扩张，流量小的会萎缩，最终收敛到近似最优解。
菌丝网络与绒泡菌的共通之处在于：它们都证明了复杂的网络优化和资源调度可以在完全没有中央智能的情况下，仅通过局部反馈规则来实现。 这是生物启发计算（Bio-inspired Computing）领域最深刻的洞见之一 [18]。
生物学小结：菌丝网络是一个由亿万独立菌丝尖端组成的去中心化系统，通过源–汇机制实现资源再分配，通过化学信号和电脉冲实现信息传递，通过局部反馈规则涌现出全局协调。它是地球上经过最长时间验证的分布式协调范式之一。
第二部分：多 Agent 系统——当下的协调困境
2024-2026 年间，随着大语言模型（LLM）驱动的 Agent 能力飞速提升，多 Agent 系统（MAS）从学术象牙塔涌入了产业实践。2026 年的主流框架——LangGraph、AutoGen、CrewAI——各自代表了不同的协调范式 [4]。
2.1 三种主流架构及其隐性假设
LangGraph（LangChain） 采用有向图（DAG）结构编排 Agent 之间的控制流。优势在于确定性和可观测性——每一步的状态转移都是可追踪的。但代价是灵活性：图的拓扑在设计时就已固定，运行期间无法动态重组 [19]。
AutoGen（Microsoft） 采用对话驱动的协调模式。多 Agent 在共享对话空间中轮流发言，由对话管理器决定发言顺序——管理器本身就是中心化调度点 [20]。
CrewAI 采用角色驱动的任务分配模式。最接近传统组织管理学——有明确的分工和汇报关系，但也有明确的单点故障 [21]。
三种框架的共性在于：协调依赖于一个显式的或隐式的中央控制层。
2.2 中心化协调的三大痛点
单点瓶颈与脆弱性。中央调度器一旦过载或故障，整个系统停摆。当前框架靠重试和回退（retry / fallback）应对，本质上是用冗余弥补架构的脆弱 [22]。
资源孤岛。每个 Agent 独立持有上下文和工具调用权限，有价值的中间结果无法直接共享。这在菌丝网络中恰恰是被「源–汇」机制自然解决的问题。
扩展性的天花板。中心化架构在 Agent 数量增长时，调度器的复杂度以 O(n²) 速率膨胀。菌丝网络可扩展到连接数千棵树木，秘诀在于：每个节点只与邻居通信，不需要知道全局状态。
第三部分：深层同构——菌丝网络与 Agent 网络的对照
3.1 结构对应
| 维度 | 菌丝网络（生物学） | 多 Agent 系统（当前工程） |
|---|---|---|
| 网络拓扑 | 无标度网络，局部连接密集，长程菌丝索桥接远距节点 | 星形或层级结构，中央调度器连接所有 Agent |
| 通信方式 | 化学梯度扩散 + 电脉冲（局部、异步） | API 调用 + 消息队列（通常经由中央路由） |
| 资源管理 | 源–汇动态平衡，菌丝主动调节流量 | 各 Agent 独立持有上下文和工具，资源不共享 |
| 容错机制 | 菌丝断裂后侧枝萌发，孢子休眠备份 | 重试、回退、检查点恢复 |
| 扩展方式 | 菌丝尖端局部生长，无需全局重规划 | 新增 Agent 需修改调度器配置和路由规则 |
| 身份识别 | 化学指纹，亲缘识别 | 显式 ID + 权限矩阵 |
| 时间尺度 | 分钟（电信号）到季节（资源转移） | 毫秒（API 调用）到小时（长任务） |
3.2 核心同构性
菌丝网络和多 Agent 系统在功能层面存在惊人的对应关系：
信号路由 ↔ 消息传递。菌丝网络中的化学信号沿菌丝传播，类似数据包在网络中的传递。化学浓度梯度决定了信号的传播方向和衰减——浓度高的路径被强化（正反馈），浓度低的路径被废弃（负反馈）[14]。这与计算机网络中的蚁群路由算法（Ant Colony Routing）在数学上是同构的 [23]，只是菌丝版本经过了四亿年的演化打磨。
源–汇资源流动 ↔ 计算资源调度。菌丝网络中碳和矿质营养的源–汇转移，对应于 Agent 网络中计算能力、上下文信息和工具权限的调度需求。两者都面临同一个核心问题：如何在不依赖中央账本的情况下，让资源从过剩处流向匮乏处？ 菌丝网络的解法是基于局部浓度梯度的被动路由；当前 Agent 系统的解法是基于中央调度器的显式分配。
菌丝断裂修复 ↔ Agent 故障容错。菌丝网络中，如果一段菌丝被物理切断（如土壤翻动），附近的菌丝尖端会向损伤区域生长并形成新的连接——一种「分布式伤口愈合」 [24]。当前 Agent 系统的容错机制相比之下显得笨拙：通常是超时检测 → 任务重分配 → 从头重试，丢失了故障 Agent 已完成的中间进度。
3.3 关键差异：不可忽视的鸿沟
承认同构性的同时，必须正视差异。
异质性问题。菌丝网络中的菌丝尖端在功能上是高度同质的——它们都执行相同的感知-生长-代谢程序，区别仅在于局部环境的不同。而 LLM Agent 生态的核心特征是功能异质性：一个负责代码生成的 Agent 和一个负责用户沟通的 Agent 拥有完全不同的模型、工具和能力空间。菌丝网络的「同质节点+异质环境」范式能否直接映射到 Agent 领域的「异质节点」场景，是一个需要严肃检验的问题。
意向性问题。菌丝网络没有目标——它不「想要」完成任何任务，所有的协调行为都是演化选择的副产品。Agent 系统则有明确的任务目标，需要面向目标进行规划。这意味着纯粹的自组织可能不够——某种形式的目标导向机制（goal-directedness）仍然是必要的。
速度鸿沟。菌丝网络中的化学扩散速度约为毫米/小时量级，电信号传导约为厘米/秒量级。Agent 系统中的通信延迟在毫秒级。这种速度差异意味着：在 Agent 系统中，某些在生物学中有效的「慢反馈」策略（如浓度梯度积累）可能需要被替换为更快的机制。
第四部分：菌丝智能体网络——一个具体的架构提案
基于上述比较，我提出一个「菌丝启发」的多 Agent 协调架构（Mycelium Agent Mesh, MAM）。这个架构不试图完全复制菌丝网络的生物学细节，而是提取其核心组织原则并适配 Agent 系统的工程约束。
4.1 核心设计原则
原则一：邻居通信，全局涌现。 每个 Agent 只维护与 3-5 个「邻居 Agent」的直接通信通道。全局协调不依赖中央调度器，而是从局部交互中涌现。邻居关系不是静态的，而是根据任务相关性动态调整——类似于菌丝尖端根据化学梯度调整生长方向。
原则二：源–汇资源流动。 Agent 的「资源」（包括上下文信息、中间计算结果、工具调用权限、API 配额）不被锁定在单个 Agent 内部，而是通过一种类源–汇机制在网络中流动：资源富余的 Agent 主动向邻居推送有价值的信息，资源匮乏的 Agent 主动拉取所需的上下文。
原则三：化学梯度路由。 任务请求不通过中央路由器分发，而是通过一种「梯度扩散」机制在网络中传播。每个任务携带一个「紧急度标量」（类似化学浓度），在网络中扩散时逐渐衰减。接收到高紧急度任务的 Agent 优先处理，低紧急度任务则被延迟或丢弃——模拟菌丝网络中危险信号的优先传导。
原则四：孢子式冗余。 关键 Agent 的能力以「孢子」（能力描述 + 上下文快照）的形式分布式存储在邻居节点上。主 Agent 故障时，最近的「孢子持有者」自动萌发为替代 Agent，继承原 Agent 的能力和最近的工作状态。
4.2 系统架构
┌─────────────────────────────────────────────────────┐
│ Mycelium Agent Mesh │
│ │
│ ┌──────┐ 化学梯度路由 ┌──────┐ │
│ │Agent │◄──────────────────►│Agent │ │
│ │ A │ 源-汇资源流 │ B │ │
│ └──┬───┘ └──┬───┘ │
│ │ 邻居通信通道 │ │
│ ┌──┴───┐ ┌──┴───┐ │
│ │Agent │◄──────────────────►│Agent │ │
│ │ C │ 孢子备份分布 │ D │ │
│ └──────┘ └──────┘ │
│ │
│ ┌──────────────────────────────────────┐ │
│ │ 菌丝基质层（Mycelium Substrate） │ │
│ │ - 邻居发现协议 │ │
│ │ - 梯度扩散引擎 │ │
│ │ - 资源流动调度器 │ │
│ │ - 孢子管理模块 │ │
│ └──────────────────────────────────────┘ │
└─────────────────────────────────────────────────────┘邻居发现协议（Neighbor Discovery Protocol）。每个 Agent 在加入网络时广播自己的能力描述（capability manifest）。邻近 Agent 根据能力互补性决定是否建立邻居关系。这一过程模拟了菌根网络中真菌与植物根系之间的识别和建连——基于化学兼容性而非中央分配。邻居关系有「强度」属性，由历史协作的成功率决定，类似菌丝连接的粗细。
梯度扩散引擎（Gradient Diffusion Engine）。当用户或外部系统提交一个任务时，任务被注入到距离用户最近的 Agent 节点。该节点评估自身能力是否匹配：如果匹配，直接处理；如果不匹配，将任务以衰减后的紧急度转发给更有能力的邻居。紧急度衰减函数模拟了化学信号的扩散衰减：
urgency_received = urgency_original × e^(-α × hops)其中 α 是衰减系数，hops 是任务已经经过的跳数。这确保了任务在网络中不会无限传播，而是在局部范围内被解决。
资源流动调度器（Resource Flow Scheduler）。每个 Agent 维护一个「资源水位」指标——包括上下文窗口使用率、API 调用余量、GPU/CPU 负载。当某个 Agent 的资源水位低于阈值（成为「汇」），它会向邻居发送一个「资源请求信号」。资源水位高于阈值的邻居（「源」）响应请求，通过共享上下文或代理 API 调用来援助。这种机制避免了中心化负载均衡器的单点问题。
孢子管理模块（Spore Management Module）。每个 Agent 定期（或在工作状态发生重大变化时）生成一个「孢子」——一个包含当前任务状态、关键上下文摘要和能力配置的轻量快照。孢子被存储在 2-3 个邻居节点上。当心跳检测发现某个 Agent 失联时，持有其最新孢子的邻居自动孵化替代实例，从断点处继续工作。
4.3 与现有框架的对比
| 维度 | LangGraph | AutoGen | CrewAI | MAM（本方案） |
|---|---|---|---|---|
| 协调方式 | 图结构路由 | 对话管理器 | 角色分配 | 邻居通信 + 梯度扩散 |
| 中心化程度 | 高（图编排器） | 中（对话管理器） | 中（Crew 控制器） | 低（每个 Agent 自治） |
| 动态重组能力 | 低（拓扑固定） | 中（对话驱动） | 低（角色固定） | 高（邻居动态建连） |
| 容错粒度 | 任务级重试 | 对话级回退 | Agent 级替换 | 孢子级萌发（保留中间状态） |
| 资源调度 | 无（各 Agent 独立） | 共享对话上下文 | 任务委托 | 源–汇流动 |
| 异质性支持 | 高 | 高 | 高 | 中（需能力匹配协议） |
| 扩展复杂度 | O(n²) | O(n²) | O(n) | O(k·n), k=邻居数 |
4.4 关键挑战与应对
挑战一：收敛性保证。 去中心化系统的一个经典问题是：梯度扩散能否保证任务最终到达合适的 Agent？理论上，如果网络是连通的且衰减系数 α 不过大，任务会以概率 1 被某个有能力的 Agent 接收。但在实践中，可能出现任务在低能力 Agent 之间反复弹跳的「热点」问题。应对策略：引入绒泡菌启发式的「管径反馈」——历史上成功处理过某类任务的连接会被加粗（增大权重），失败连接会被削弱。Tero 等人 2010 年证明，这种简单的正反馈机制能使网络在多项式时间内收敛到近似最优拓扑 [17]。
挑战二：一致性问题。 没有中央状态存储，如何保证所有 Agent 对任务进度有一致的理解？应对策略：借鉴菌丝网络中的「共享胞质」机制——在邻居之间维护一个局部的、最终一致的状态副本（类似 CRDT / Conflict-free Replicated Data Type），而非追求全局强一致性。
挑战三：可观测性。 去中心化系统的调试和监控远比中心化系统困难。应对策略：在菌丝基质层中引入「菌丝日志」——每个局部交互都被记录并带有时间戳和空间坐标，可以通过后处理重建全局的事件时间线，类似分布式追踪系统（如 OpenTelemetry）但适配了邻居通信的拓扑。
第五部分：一个思想实验——当孢子萌发
让我们通过一个具体的场景来感受 MAM 的运作方式。
假设一个由 12 个 Agent 组成的网络正在协作完成一项研究报告：Agent-Researcher 负责搜索文献，Agent-Analyst 负责数据分析，Agent-Writer 负责撰写报告，其余 Agent 各有专长。
常态运行：用户将「生成一份关于量子计算商业化的研究报告」任务提交给入口 Agent。入口 Agent 评估后发现自己不具备研究能力，将任务以紧急度 0.9 转发给邻居。Agent-Researcher 以 0.85 的匹配度接收了任务，开始搜索文献。搜索过程中它需要数据分析支持，于是向邻居 Agent-Analyst 发送协作请求。两者协同工作，中间结果通过源–汇机制共享——Agent-Researcher 将搜集到的论文摘要推送给 Agent-Analyst，Agent-Analyst 将统计数据可视化推送回来。
故障场景：当报告已完成 70% 时，Agent-Writer 所在的服务器宕机。在中心化架构中，这意味着整个写作任务需要从头开始，之前的 70% 进度可能全部丢失。在 MAM 中，Agent-Writer 的两个邻居（Agent-Analyst 和 Agent-Editor）各自持有 Writer 最近一次生成的「孢子」——包含已完成章节的大纲、写作风格配置、剩余章节的提纲。心跳检测在 30 秒内确认 Writer 失联，Agent-Editor（与 Writer 的能力重叠度更高）自动萌发为 Writer’，加载孢子状态，从第 70% 处继续写作。
扩展场景：研究报告需要增加一个关于专利分析的新章节，现有网络中没有专利分析专长的 Agent。入口 Agent 将任务以紧急度 0.7 广播出去，经过 3 跳扩散后到达网络边缘。系统根据能力需求动态招募一个新的 Patent-Agent 加入网络——它通过邻居发现协议与 Agent-Researcher 建立连接，开始工作。任务完成后，Patent-Agent 的连接强度逐渐衰减，最终回归休眠状态，等待下次被梯度信号唤醒。
这个场景展示了一个关键特性：MAM 的协调是弹性的——在常态下保持轻量通信，在故障或扩展需求出现时才激活密集协作。这与菌丝网络的行为高度一致：在资源充足时，菌丝网络维持基础的代谢连接；在胁迫条件（干旱、虫害）下，信号传导和资源转移的强度会急剧增加 [5]。
第六部分：更远的思考
6.1 生物算法作为工程灵感
菌丝智能体网络的提案，放在更宏大的知识谱系中看，属于「生物启发计算」（Bio-inspired Computing）的一个新实例。这个领域已经产出过许多成功案例：人工神经网络受生物神经元启发 [25]，遗传算法受自然选择启发 [26]，蚁群优化受蚂蚁觅食行为启发 [23]。
但一个值得注意的趋势是：早期生物启发计算主要从单个生物体的行为中提取算法（一只蚂蚁如何觅食、一个神经元如何放电），而较少关注生物群体的组织原则。菌丝网络的启示恰恰在后一个层面——它不是关于单个 Agent 如何变得更聪明，而是关于一群 Agent 如何变得更协调。
这个区分很重要。当我们说「从菌丝网络学习」时，我们不是在学习菌丝的化学方程式或基因序列，而是在学习它的组织架构：邻居通信、源–汇流动、梯度路由、孢子冗余。这些是可以被抽象为算法模式的组织原则，与底层的生物学实现是解耦的。
6.2 去中心化 ≠ 无政府
需要强调的一点是：MAM 并不意味着完全的无政府状态。纯粹的自组织在面对复杂的多步骤任务时可能效率低下——没有方向感的扩散可能导致任务在网络中漫游太久。
一个更务实的设计是在 MAM 之上引入一层轻量级的「目标锚定」机制：用户可以指定一个或多个「目标 Agent」作为任务的最终汇聚点，梯度扩散引擎在路由时会偏向朝目标方向传播。这类似于菌丝网络中菌根的向根性（rhizotropism）——菌丝的生长虽然总体上是探索性的，但受到根系分泌物化学梯度的引导 [14]。
换言之，最优解可能是一种有锚点的去中心化——局部协调保持去中心化，但全局目标由一个锚点提供方向。这与当前 Agent 框架中「编排层」的角色不同：编排层决定每一步做什么，而锚点只决定最终去哪里。
6.3 演化作为设计方法论
最后，菌丝网络的存在提出了一个更深层的方法论问题：如果一种协调架构经过了四亿年的自然选择仍然有效，它是否揭示了某些关于协调本身的普遍原则？
计算机科学中的分布式系统理论——如 CAP 定理、Paxos 共识算法、拜占庭容错——大多是在过去五十年内发展起来的。而菌丝网络在四亿年的地质变迁、气候变化和物种竞争中被反复「压力测试」。如果这两个知识传统能产生真正的对话——不是单方面的「仿生」，而是双向的「互相验证」——我们或许能发现一些既适用于硅基系统也适用于碳基系统的、关于分布式协调的更深层规律。
这也许是跨学科研究最激动人心的地方：不是把一个领域的结论搬到另一个领域，而是在两个领域的交汇处发现第三个、更基本的真理。
参考文献
- NVIDIA. "Cosmos 3: Omnimodal World Models for Physical AI." 清华大学 IIIS 报道, 2026.06.
- "小米开源 MiMo Code——带持久记忆的终端 AI 编程 Agent." 腾讯云开发者社区, 2026.06.
- "2026 年 6 月 AI 模型军备竞赛：谁在领跑." 稀土掘金, 2026.06.
- "2026 年 AI Agent 框架选型盘点." CSDN, 2026.
- Simard, S.W. et al. "Mycorrhizal networks: mechanisms, ecology and modelling." Fungal Biology Reviews, 26(2), 39–60, 2012.
- Simard, S.W. Finding the Mother Tree: Discovering the Wisdom of the Forest. Knopf, 2021.
- Brundrett, M.C. "Coevolution of roots and mycorrhizas of land plants." New Phytologist, 154(2), 275–304, 2002.
- Simard, S.W. et al. "Net transfer of carbon between ectomycorrhizal tree species in the field." Nature, 388, 579–582, 1997.
- Teste, F.P. et al. "Access to mycorrhizal networks and roots of trees: importance of neighbor-to-neighbor interactions." Ecology, 90(9), 2446–2458, 2009.
- Pickles, B.J. et al. "Resource transfer between plants through ectomycorrhizal fungal networks." In: Mycorrhizal Mediation of Soil, Elsevier, 2017.
- Babikova, Z. et al. "Underground signals carried through common mycelial networks warn neighbouring plants of aphid attack." Ecology Letters, 16(7), 835–843, 2013.
- Song, Y. et al. "Mycorrhizal networks: the role of common mycelium in plant–plant communications." Frontiers in Plant Science, 6, 2015.
- Adamatzki, A. et al. "Electrical activity of fungi: hyphae networking and spiking patterns." Fungal Biology, 127(4), 2023.
- Boswell, G.P. et al. "Growth and function of fungal mycelia on heterogeneous environments." Bulletin of Mathematical Biology, 69, 2007.
- Gorissen, A. et al. "Carbon budget of the rhizosphere." Plant and Soil, 2004.
- Nakagaki, T., Yamada, H. & Tóth, Á. "Maze-solving by an amoeboid organism." Nature, 407, 470, 2000.
- Tero, A. et al. "Rules for biologically inspired adaptive network design." Science, 327(5964), 439–442, 2010.
- Bonabeau, E., Dorigo, M. & Theraulaz, G. Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press, 1999.
- LangChain. "LangGraph Documentation."
- Microsoft. "AutoGen Documentation."
- CrewAI. "CrewAI Documentation."
- "多智能体系统体系结构及协调机制研究综述." 机器人, 中国科学院.
- Dorigo, M. & Stützle, T. Ant Colony Optimization. MIT Press, 2004.
- Moore, D. et al. "Fungal morphogenesis and the development of the mycelium." In: The Mycota, Springer, 2000.
- McCulloch, W.S. & Pitts, W. "A logical calculus of the ideas immanent in nervous activity." Bulletin of Mathematical Biophysics, 5, 115–133, 1943.
- Holland, J.H. Adaptation in Natural and Artificial Systems. University of Michigan Press, 1975.
- "Xiaomi's new open source, agentic AI coding harness MiMo Code beats Claude Code at ultra-long 200-step tasks." VentureBeat, 2026.06.
- Smith, R.G. "The contract net protocol: high-level communication and control in a distributed problem solver." IEEE Transactions on Computers, C-29(12), 1104–1113, 1980.
- Wooldridge, M. An Introduction to MultiAgent Systems (2nd ed.). Wiley, 2009.
- Kennedy, J. & Eberhart, R. "Particle swarm optimization." IEEE International Conference on Neural Networks, 1995.
- "A collective intelligence model for swarm robotics applications." Nature Communications, 2025.
小红书笔记：TODO（待补充链接）