FRACTAL 提出一种自相似的多智能体架构，用于递归目标分解。每一层的分解树都重复相同的五组件模式：Orchestrator、Ensemble、Knowledge Ledger、Decision Maker、Meta‑Observer。架构在通信、编排准则、收敛性和深度上给出形式化界限。
在通信方面，采用两阶段盲提案/压力测试协议，使得单节点内部成本随 Ensemble 大小和轮数呈线性 O(kr)，而自由辩论的成本为二次。该结果基于评估者数量固定的假设。
编排准则分为生成阶段和评估阶段，两者通过可测量的多样性饱和阈值区分。
收敛性方面，证明在超多数规则下可获得显式的概率收敛界限，并在基于操作化目标复杂度的度量下给出深度上界。
层间升级采用贝叶斯后验更新，将滞后效应和违约信号统一为一次更新机制。
文中通过一个工作示例和多层案例展示了执行流程，但未给出量化性能。作者明确指出模型的形式化局限和归纳偏置，并提出兼容的受限自我改进方向作为未来工作。本文使用“fractal”作为自相似的隐喻，而非严格的数学属性。点评