并行的大语言模型（LLM）智能体通过同时探索多条解题路径来处理复杂任务，但有价值的发现往往只保留在各自的执行历史中，难以被其他智能体利用。传统的共享机制通常在需求尚未明确时就提前筛选或摘要信息，容易遗漏后续才会变得关键的细节。\n\n为了解决这一问题，我们提出 按需提问（Ask on Demand，AOD） 框架。AOD 允许智能体在遇到具体信息需求时主动向同行请求帮助。请求获批后，系统会从同伴的执行历史中检索相关证据，挑选最合适的同行，并生成针对该请求的定制化回复。\n\n为了判断何时值得发起请求，我们训练了一个轻量级的 gate。该 gate 通过成对的团队续写数据进行学习，监督信号来源于最终团队表现和推理成本的综合考量。\n\n实验在 AppWorld 与 WebShop 两个基准上进行。结果显示，AOD 在提升任务成功率方面始终优于独立并行执行，同时相较于已有的信息共享基线显著降低了推理开销。\n\n这些实验表明，将同行通信与智能体不断演化的信息需求对齐，可实现更高效、更有效的协同工作。\n\n点评：AOD 通过需求驱动的查询机制，克服了提前共享导致的信息噪声问题，并通过轻量门控实现了成本与收益的平衡，为并行智能体协作提供了实用的设计思路。