共享记忆与黑板：一个戴着 AI 帽子的数据库问题。
当智能体需要共享状态、又不想用 O(n²) 的消息网状时，答案是一个共享工作区：黑板。这个模式很老——Hayes-Roth，1985 年——而 2025 年把它带了回来，作为 LLM 智能体一种 token 高效的协调基底，足以与显式编排相抗衡。但只要多个智能体读写同一个存储，你就继承了所有经典并发隐患：写争用、陈旧读、丢失更新。本文讲解这套架构，以及让它不悄悄污染你运行的那套一致性纪律。
黑板用一份共享产物替换 N² 条消息。
在黑板系统中，智能体不互相发消息。它们读取一个全局可见的工作区，做工作，再把结果贴回去；一个控制组件决定下一个由谁行动。这把网状通信塌缩为对单一存储的 O(n) 次读写，并给你一个观测整个系统状态的单一位置。2025 年关于基于黑板的 LLM 多智能体系统的工作显示，这能匹敌甚至超过静态与动态编排两种设计，同时保持 token 高效——黑板就是协调本身，于是你不再为反复的点对点上下文交换付费。
# blackboard: read shared state, act, post back def step(agent, bb): state = bb.read() # sees the whole board result = agent.run(state) bb.post(agent.id, result) # new entry, not a broadcast
草稿纸不是黑板，混为一谈正是 bug 的根源。
两个截然不同的构造被叫了同一个名字。草稿纸通常是单个智能体的私有工作笔记——仅追加、单写者、无争用。黑板是多读者、多写者的共享状态——而那是一个并发数据库，不是笔记本。本文中的失败全都来自把一个真正的黑板当作私有草稿纸对待：没有写策略、没有版本控制、稀里糊涂地最后写者获胜。明确地判定你拥有的是哪一个；只有多写者那种情况才需要本文余下的内容。
写争用：并发的贴入会静默丢失更新。
如果两个智能体读了黑板，各自从该快照计算，再各自写回，第二次写就可能覆盖第一次——经典的丢失更新。在 LLM 智能体上这比普通系统更糟，因为损失是静默且语义性的：没有异常，只有一个悄悄忽略了某工作者贡献的答案，也没有堆栈追踪可供定位。修法就是标准的数据库那套：通过编排者或锁串行化写入、使用乐观并发（在版本上做 compare-and-set），或让黑板仅追加，使写入永不覆盖——它们累积，由读者来调和。
优先选仅追加、带版本的日志，而非可变的键值黑板。仅追加从结构上消除了丢失更新（没有东西被覆盖），给你一份用于跨智能体调试的完美审计轨迹，并把"第 k 步时团队知道了什么"从取证式猜测变成可重放的查询。
陈旧读：智能体基于一块已经移动了的黑板行动。
即便写入安全，读者也可能基于一个在它贴回时已经过时的快照行动——它昂贵的推理建立在被取代的状态之上。不加约束，这会产出与智能体思考期间所做决定相矛盾的工作，以及一块震荡而不收敛的黑板。缓解办法：给每次读编版本，并拒绝基版本陈旧的贴入（强制重读）、把智能体限定到黑板的不相交区域使其读取很少失效，或让控制组件只在某智能体的输入已稳定时才调度它。有意识地选择一致性模型——智能体黑板上的最终一致性是一个决定，不是你稀里糊涂退回去的默认。
"在演示里能跑"几乎总是意味着演示让智能体实际上是顺序运行的，于是争用和陈旧从未触发。生产中两个智能体第一次真正重叠时，丢失更新和陈旧读会一起出现——而因为两者都是静默的，你会看到一个错误的最终答案、一份干净的日志，却不知道为什么。
黑板既是瓶颈，也是爆炸半径放大器。
集中状态就是集中风险。每个智能体都读整块黑板，所以随着运行增长，黑板的体量会膨胀每个智能体的上下文与成本；黑板是单点故障也是串行化点；而一个智能体贴入一条自信的错误条目，会污染每个其他智能体随后读到的共享状态——一条独一无二地快速的错误传播路径（见 multi-agent-failure-modes）。对策是：限定并摘要黑板使上下文保持有限、把读取限定到相关区域、给每条条目署名并编版本使坏的贴入可追溯可撤销，并对黑板做检查点，使被污染的状态可以回滚而非绕着推理。
何时不要使用黑板。
当智能体其实并不需要共享状态时跳过它（带受限工作者的星型更简单，且没有这些隐患）、当黑板会无界增长并撑爆每个上下文预算时跳过、或当你不愿指定一个并发模型时跳过——因为未指定的那个就是"生产中的丢失更新和陈旧读"。黑板只有配上真正的写策略、版本化读取、署名和有界体量，才赢得它的位置。没有并发纪律的黑板不是共享记忆——它是一个会返回自信答案的共享竞态条件。