MemMux 论文提出并行编码智能体集群的运行时内存验证与资源归属机制

该论文针对开发者在单台工作站上并行运行多个编码智能体（coding agents）时面临的内存治理难题，提出了 MemMux 这一本地运行时系统。该系统旨在解决标准终端复用工具无法精确追踪单个智能体内存占用、无法彻底回收终止智能体的子进程、无法检测逃逸子进程以及无法防止机器陷入交换（swap）状态的问题。研究通过构建包含基准测试和真实 Claude Code 会话的评估框架，验证了 MemMux 在资源约束环境下的有效性。

实验数据显示，在 Linux 主机绑定 7.5 GiB 内存预算的场景下，MemMux 能够确保整个智能体集群不超出预算且零交换，而缺乏治理的工具则会导致内存使用量达到预算的两倍并产生约 2 GiB 的交换数据。在进程回收方面，MemMux 实现了终止智能体进程树的 100% 完全回收，相比之下原始基线仅能回收一半；同时它能检测到所有 10 个逃逸的子进程。然而，其监控开销在单智能体场景下 CPU 占用约为 0.6%，但在十智能体并发时上升至 2.7%，略高于作者设定的 2% 目标。

事实层面，MemMux 已开源引擎、基准测试及一键复现脚本，并在真实场景中保持了高归属准确率和低开销。推断层面，该工具表明当前端侧 AI 开发环境已从单纯的功能堆叠转向对资源确定性管理的刚需，特别是对于需要长时间运行的复杂 Agent 工作流。猜测层面，若未来多智能体协作成为主流，此类具备审计能力的运行时层可能成为操作系统或容器生态的标准组件，但需进一步解决高并发下的性能损耗问题以适配更广泛的硬件配置。