Replit 推出 Missions:agent 集群扩展展现新 scaling 规律
Replit 把多个 agent 组成集群一起干活,13 个 NumPy 任务上从单 agent 的 4 倍提速拉到 32 个 agent 的 19 倍。做后端或算法优化的开发者可以关注这个思路,跟单 agent 反复对话的方式相比,并行拆任务明显更高效。
Replit 推出 Replit Missions,将多个 agent 组成集群协同工作。在 13 个 NumPy 优化任务上,单个 agent 实现最高 4 倍提速,16 个 agent 达到 17 倍,32 个 agent 达到 19 倍。Replit 高管 Michele Catasta 将这种模式称为继预训练、推理之后的第三条 scaling 规律:不再扩大单个模型,而是扩展协同工作的 agent 数量。
从数据看,agent 数量从 1 增加到 16 时提速幅度从 4 倍跃升至 17 倍,说明多 agent 并行探索不同优化路径能显著超越单 agent 上限;但从 16 到 32 时仅从 17 倍增至 19 倍,收益开始递减。Replit Missions 正是把这一机制产品化,让多个 agent 分工完成软件优化任务。
这类多 agent 并行策略与 Cursor、Cognition 等厂商探索的 agent 编排方向一致,对需要性能优化的开发者而言,意味着可以用集群方式跑代码优化、测试生成等可并行拆分的任务。
How scaling agent swarms can optimize software performance. Michele Catasta @pirroh Agent swarms are the next scaling law in AI. We scaled pretraining, then reasoning. Now we scale the number of agents working together. On 13 NumPy optimization tasks, 1 agent hit up to 4x speedups, 16 agents reached 17x, and 32 agents reached 19x. Today we're launching Replit Missions to put swarms to work. 🔗 View Quoted Tweet📊 8 ⚡
本条情报归属 AITOP「产品」核心栏目,重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中,该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线,反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括:Replit、agent集群、编程助手、NumPy,读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明:本文原始线索采编自「Amjad Masad」(@amasad),经 AITOP 多维评分管线结构化提炼。截至目前,全网已有 11 家独立信源对该事件进行交叉印证与跟进报道(含 Replit、Qdrant、Scott Wu 等),属于近期高关注度行业信号。