在大语言模型（LLM）迅猛发展的今天，单一模型已难以满足复杂任务的需求。为此，研究者们提出了多智能体系统（Multi-Agent Systems, MAS）这一概念，通过多个智能体的协作，突破单体模型的局限。
近期，Khanh-Tung Tran 等人发布了一篇35页的综述论文《Multi-Agent Collaboration Mechanisms: A Survey of LLMs》，系统地探讨了LLM驱动的多智能体协作机制，为构建高效、可扩展的AI系统提供了理论与实践指南。
🧠 Step 1：构建智能体大脑
每个智能体由五个核心组成部分构成：
-
模型（m）：智能体的核心计算单元
-
目标（o）：智能体需达成的任务目标
-
环境（e）：智能体所处的外部环境
-
输入感知（x）：智能体对环境的感知输入
-
输出动作（y）：智能体基于模型、目标、环境和输入的输出行为，即 y = m(o, e, x)
此外，智能体还可配备计算器、网络访问、记忆模块等工具，以增强其能力。
👥 Step 2：组建智能体团队
多智能体系统不仅仅是多个智能体的集合，更是一个有组织的协作系统。其关键要素包括：
-
共享目标（O_collab）：所有智能体共同追求的目标
-
环境（E）：智能体所处的共同环境
-
协作通道（C）：智能体之间进行交流、计划、辩论和行动的通道
系统的输出行为可表示为：y_collab = S(O_collab, E, x_collab | A, C)，其中A代表智能体集合，C代表协作通道。
🔄 Step 3：选择协作类型
智能体之间的协作方式主要包括：
-
合作（Cooperation）：智能体共同努力，达成共享目标
-
竞争（Competition）：智能体之间进行辩论、批评或挑战
-
竞合（Coopetition）：在某些任务上合作，在其他任务上竞争
🧩 Step 4：制定协作策略
智能体的协作策略可以是：
-
基于规则（Rule-based）：如多数投票等严格逻辑
-
基于角色（Role-based）：预定义的角色，如编码者、规划者、审阅者
-
基于模型（Model-based）：如预测他人思维的概率规划（理论心智）
🌐 Step 5：设计通信拓扑结构
智能体之间的通信结构包括：
-
集中式（Centralized）：一个中心节点协调所有智能体
-
分散式（Decentralized）：智能体之间进行点对点通信
-
层级式（Hierarchical）：具有控制和委派层级的结构
🎼 Step 6：协调智能体协作
智能体的协调逻辑可以是：
-
静态（Static）：固定的通道和角色
-
动态（Dynamic）：智能体根据任务和上下文进行演变
🌍 实际应用场景
多智能体系统在多个领域展现出巨大潜力：
-
问答与推理：通过辩论框架如MAD或FORD，提高答案质量
-
软件开发：工具如ChatDev或MetaGPT模拟真实敏捷团队
-
科学与文化：模拟社会行为，生成跨文化见解
-
物联网与5G：协调边缘设备，实现低延迟AI
📚 完整论文《Multi-Agent Collaboration Mechanisms: A Survey of LLMs》可在 arXiv 获取。
https://arxiv.org/pdf/2501.06322
（文：PyTorch研习社）