多智能体协作机制：大语言模型综述

随着大语言模型（LLMs）的最新进展，智能体人工智能（Agentic AI）在现实世界应用中变得愈发显著，逐渐向基于多LLM的智能体发展，使其能够感知、学习、推理并协同行动。这些基于LLM的多智能体系统（MASs）使得一组智能体能够协调并大规模地共同解决复杂任务，从孤立的模型转向以协作为核心的方法。本文对MASs的协作方面进行了广泛综述，并引入了一个可扩展的框架以指导未来研究。我们的框架基于关键维度对协作机制进行了分类：参与者（涉及的智能体）、类型（如合作、竞争或竞合）、结构（如点对点、集中式或分布式）、策略（如基于角色或基于模型）以及协调协议。通过对现有方法的回顾，我们的研究结果为揭示和推进基于LLM的MASs提供了基础，旨在为复杂的现实世界用例提供更智能和协作的解决方案。此外，本文还探讨了MASs在多个领域的广泛应用，包括5G/6G网络、工业5.0、问答系统以及社会和文化场景，展示了其广泛采用和深远影响。最后，我们总结了关键经验教训、开放挑战以及MASs在实现人工集体智能方面的潜在研究方向。 https://arxiv.org/pdf/2501.06322

**1.1 研究动机

近年来，大语言模型（LLMs）的进展彻底改变了人工智能（AI）领域，使其能够执行复杂的任务，如创意写作、推理和决策，甚至在某些方面可与人类水平相媲美 [156]。然而，尽管这些模型在个体层面展现了卓越的能力，它们仍存在一些固有局限性，例如幻觉问题 [57]、自回归特性（如无法进行慢思考 [49]）以及扩展规律 [55, 69]。为了解决这些挑战，智能体人工智能（Agentic AI）将LLMs作为“大脑”或“协调者”，将其与外部工具和议程（如规划）相结合，使基于LLM的智能体能够采取行动、解决复杂问题，并与外部环境进行学习和交互 [1,2]。此外，研究人员越来越多地探索水平扩展——利用多个基于LLM的智能体协同工作，以实现集体智能。这种方法与多智能体系统（MASs）和协作AI的研究方向一致，后者专注于使智能体群体能够协调、共享知识并共同解决问题。这些领域的融合催生了基于LLM的MASs，它们利用多个LLM的集体智能来应对复杂的多步骤挑战 [118]。MASs的灵感不仅来自技术进步，还源于人类集体智能（如“心智社会” [87]、“心智理论” [45]）。人类社会擅长通过团队合作和专业化实现共同目标，从日常任务到科学发现皆是如此。类似地，MASs旨在模拟这些原则，使AI智能体能够通过结合各自的优势和视角进行有效协作。基于LLM的MAS可以具有多种不同特性的协作渠道，如图1所示。MASs在各个领域取得了显著成功，通过利用专业智能体之间的协作和协调，增强了个体LLM的能力。这些系统在智能体之间分配任务，使智能体能够共享知识、执行子任务，并将其努力与共同目标对齐。MASs的潜在益处是变革性的。它们在知识记忆方面表现出色，使分布式智能体能够保留和共享多样化的知识库，而不会使单个系统过载 [51, 154]。它们通过将任务分配给多个智能体来增强长期规划能力，支持在长期交互中持续解决问题 [58]。此外，MASs通过汇集具有专门提示/角色的多个模型的专业知识，实现了有效的泛化，使其能够比独立模型更有效地解决多样化问题。最后，MASs通过同时管理由专业智能体处理的子任务，提高了交互效率，加速了复杂多步骤任务的解决。MAS致力于实现集体智能，即多个智能体的综合能力超越其个体贡献的总和 [24]。有效MASs的一个主要关注点是协作机制 [33, 74, 75, 97, 132]，这些机制推动了从传统的孤立模型向强调交互的方法的转变，使智能体能够连接、协商、决策、规划并共同行动，从而在集体环境中推动AI能力的提升。深入了解协作机制在MASs中的运作方式，对于释放其全部潜力至关重要。

**1.2 研究现状与贡献

由于基于LLM的多智能体协作系统的重要性和迫切需求，已有一些关于该主题的综述。然而，这些工作往往未能全面探讨基于LLM的MASs的协作方面和机制，而这些对于使智能体能够有效实现共同目标至关重要，如表1所总结。例如，[47, 107, 136] 主要关注单智能体系统，仅浅显地涉及多智能体协作。[136] 提出了一个基于LLM的智能体框架，包括三个组件：大脑、感知和行动。他们的工作强调了将LLMs作为智能体的“大脑”，利用输入模态集成、提示、检索和工具使用等技术。然而，他们对多智能体协作的讨论仅限于智能体行为和个性，缺乏对使智能体协同工作的机制的深入探讨。[47] 调查了基于LLM的MASs成功应用的领域和场景，分析了这些系统的通信结构（分层、去中心化、集中式和共享消息池），但未涉及协作的其他特征，如类型、策略或协调架构。其他工作，如[82]，专注于协作策略，将其分类为合并、集成和合作。尽管他们的综述讨论了这些策略如何应用于LLMs，并将合作扩展到传统融合技术之外，但忽略了其他关键的协作机制，如竞争和竞合，以及除流行协作类型之外的维度。相比之下，[120] 提出了一个通过MASs增强LLM能力的通用框架，展示了Auto-GPT等工具如何与其框架对齐。然而，协作机制仍停留在概念层面，缺乏详细的实现和特征描述。[50] 的重点是配置LLMs以利用多样化的能力和角色，例如集成记忆和信息检索组件。他们对多智能体协作的探索主要集中在规划和协调架构上，强调基于智能体角色和专业化的全局和局部任务规划。与此同时，[46] 将其研究范围缩小到基于LLM的MASs在基于智能体的建模和模拟中的应用，讨论了环境感知、人类对齐、行动生成和评估等挑战。尽管对模拟特定应用具有启发性，但它缺乏对深入协作机制的更广泛视角。类似地，[68] 调查了这些系统在数字孪生中的应用，而[52, 70] 则专注于软件工程领域。从上述总结和解释中可以看出，现有研究在全面探索基于LLM的MASs的协作方面和机制方面存在明显不足，而这些对于使智能体能够共同实现目标至关重要。本文旨在提供基于LLM的智能体在多智能体协作系统中协作基础的全面视角。以协作为核心，我们的研究基于参与者（涉及的智能体）、类型（如合作、竞争或竞合）、结构（如点对点、集中式或分布式）、策略（如基于角色、基于规则或基于模型）以及协调层对智能体之间的协作进行了特征化。我们强调了促进有效协作的机制和关键技术，识别了MAS设计中的关键特征和趋势。通过对现有方法的综述和开放挑战的识别，我们将这些发现综合为一个连贯的框架。该框架为未来研究奠定了基础，推动了LLMs在MASs中的集成，并为开发更具适应性、智能性和协作性的AI系统铺平了道路，以应对复杂的现实世界应用。我们的主要贡献如下：

• 基于LLM的MAS中的协作方面和机制：我们专注于基于LLM的多智能体协作的操作机制，强调实现有效协作所需的“技术诀窍”，包括协作类型、策略、通信结构和协调架构。
• 基于LLM的MAS的通用框架：我们提出了一个综合框架，整合了MAS的多样化特征，使研究人员能够理解、设计和开发多智能体协作系统。
• 现实世界应用的综述：我们研究了基于LLM的MASs在各个领域的实际应用，突出了其实际应用、成功案例和局限性。
• 经验教训与开放问题的讨论：我们识别了MASs发展议程中的关键挑战，如集体推理和决策，并概述了解决这些挑战的潜在研究方向。

**1.3 论文结构

本文的结构如下：第2节提供了理解本工作所需的背景知识，包括LLMs、MASs和协作AI的概述。第3节通过数学符号介绍了基于LLM的多智能体协作系统的基础概念，强调了协作的关键作用。接着，第4节对基于LLM的多智能体协作系统进行了广泛综述，按协作的关键特征（包括类型、策略、结构和协调与编排）分类。第5节回顾了基于LLM的多智能体协作系统在学术界和工业界的关键应用。第6节讨论了这一新兴研究领域的开放问题和未来研究方向。最后，第7节总结了这篇关于基于LLM的多智能体协作系统的综述论文。