面向级联的多智能体路由：时空侧车与几何切换

高级 AI 推理系统通过专门化智能体的动态执行图对任务进行路由。我们识别了这一架构中的结构盲点：调度器优化负载和适配度，但缺乏对不同树形图与循环图中故障传播方式的模型。在树形模式下，单个故障呈指数级级联；在稠密循环模式下，级联自我限制。几何盲目调度器无法区分这些情况。我们将这种可观测性差距形式化为一个在线几何控制问题。我们证明了一个级联灵敏度条件：当每条边的传播概率超过图的分支因子的倒数时（p > e^{-\gamma}，其中 \gamma 为 BFS 壳增长指数），故障传播将处于超临界状态。我们通过预测当前�拓扑适合哪种路由几何的时空侧车来弥合这一差距。侧车包括 (i) 用于稠密循环子图的欧几里得传播评分器、(ii) 捕获树形子图中指数风险的双曲线评分器、(iii) 采用拓扑和几何感知特征混合两种评分的紧凑学习门控（仅 133 个参数）。在覆盖五种拓扑 regime 的 250 个基准场景上，侧车将本地调度器的胜率从 50.4% 提升至 87.2%（提升 +36.8 pp）。在树形模式下，提升可达 +48-68 pp。该学习门控实现了 held-out AUC = 0.9247，证明几何偏好可从实时信号中恢复。跨架构验证在巴拉帕西-阿伯特、沃茨-斯特罗atz 和埃尔德斯-莱因基图上确认了传播建模在不同图族间的泛化性。