摘要：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。
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。
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。
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。
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）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。
来源：正正杂说
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!