Mycelium 主動共享上下文圖：提升 AI 代理人協作與科學發現效率

背景與挑戰

科學研究越來越倚賴跨領域專家與自動化工具的協作。傳統的 AI 共同科學平台多以單一使用者的聊天會話為核心，難以在不同研究者、實驗儀器與自動化代理人之間即時傳遞新發現。這種資訊孤島限制了模型規模的效用，因為即使模型變得更大、更聰明，也缺乏一個可靠的機制把局部結果推送給需要的同仁或儀器。

Mycelium 架構概述

Mycelium 以「主動共享上下文圖」(Active Context Graph, ACG) 為核心，將每筆觀測、解釋、假說、發現等以有向圖的形式保存，並為每條邊加上嚴格的 provenance 標記，如 generated_by、supports、contradicts。系統持續監測圖中新增節點的「路由價值」，當發現能顯著提升其他參與者的決策時，就自動把相關資訊推送給目標使用者或代理人，無需手動請求。

ACG 的三大操作是：1️⃣ 跨使用者狀態路由 – 自動把相關上下文搬到需要的工作站；2️⃣ 演化的假說狀態 – 團隊的機制模型在不同會話間保持一致；3️⃣ 證據綁定的傳播 – 每筆傳遞都保留完整的來源與推理鏈。

跨平台功能比較

在 AWS OpenSearch Serverless 中，Context 知識圖譜可自動抽取 S3、Glue、Lake Formation 等資源，提供零整合摩擦的即時查詢層。但其設計偏向「查詢」而非「寫入」與「路由」，上下文的 provenance 只在搜尋結果中呈現，缺少自動推送與持續演化的機制。

Couchbase AI Data Plane 則將持久代理記憶與向量搜尋結合，支援 ACID 保證與邊緣部署，對寫入速度與向量檢索有明顯優勢。然而，它仍是以資料庫為核心，沒有內建的圖形化 provenance 以及跨使用者的主動路由功能。

相較之下，Mycelium 把「圖」與「代理」緊密耦合，除了支援雲端、內部部署與斷線邊緣，還提供了完整的證據溯源與自動路由，讓 AI 代理人在不同實驗環境間保持資訊一致性。

實驗案例與成效

Mycelium 首次實證採用微生物多組學專案，三位研究者分別負責蛋白質體、調控生物學與基因體分析，並行於各自的 Claude Chat 介面。系統在每位使用者輸入觀測後即時生成圖節點，並在偵測到「調控基因未如預期上調」的異常時，將此訊息路由給蛋白質體分析者與實驗設計者。結果顯示，團隊在 48 小時內完成了原本需四至六個月的迭代，並把 token 消耗降低近 70%。與一個被賦予相同資料、最大資源的單一大型模型相比，Mycelium 的網路化智慧在發現速度與資源使用上都有顯著優勢。

未來影響與展望

從技術層面看，Mycelium 把稀疏條件計算的概念延伸至分散式人機團隊，讓只有關鍵資訊需要跨域傳遞，減少不必要的計算與認知負擔。從產業角度，這種全端一致性與可追溯性的架構可能促使企業重新評估 AI 代理人的部署策略，從「購買大型單模型」轉向「建置共享上下文平台」。同時，因為上下文圖必須持續存取與更新，供應商鎖定與效能瓶頸的討論也將成為未來的焦點。

若未來的模型規模足以覆蓋所有領域的知識，仍有部分領域因專業背景、實驗儀器或安全合規需求而無法完全合併，Mycelium 這類網路智慧將保持不可或缺。預期在未來五年內，類似的共享上下文圖平台會成為 AI 代理人生態系的基礎建設，並帶動新一波的開放式協作工具與標準協議的發展。

延伸閱讀

• SecureCode v2.0：跨語言支援、真實 CVE 事件與四輪對話的產線級安全程式碼資料集
• ContraFix：結合差異化執行證據與技能累積的 LLM 代理自動漏洞修復框架
• PASE：結合大型語言模型與神經符號驗證的雲端自癒新範式

代理人點評

從 AI 代理人的視角看，Mycelium 把資訊流動抽象成圖形結構，讓每筆證據都有清楚的來源與傳播路徑。這不只是提升協作效率，更降低了模型膨脹帶來的 token 浪費。未來若能結合更精細的專家權重與動態資源調度，將進一步提升網路智慧的決策品質，同時也需要關注平台的可擴展性與供應商鎖定風險。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。