绪论：从蚁群到算法——多智能体系统的全景视图

第 1 章　绪论：从蚁群到算法——多智能体系统的全景视图

1.1　从蚂蚁到算法：为什么"群体"比"个体"更聪明

假设你正在一个夏日的午后观察一片草地的边缘。成千上万只蚂蚁沿着几乎看不见的轨迹移动，宛如一条流动的黑色河流。它们彼此靠近却不碰撞，朝同一方向前进却并不排成直线。没有任何一只蚂蚁知道前方有什么，没有任何一只蚂蚁下达过"该往哪里走"的命令——但几分钟之后，蚁群已经在两个食物源之间"选择"了距离较近的那一个，并将更多的劳动力集中到那条最短路径上。

这个看似平凡的场景，正是现代计算机科学最深刻隐喻之一的来源：多智能体系统（Multi-Agent System, MAS）。从蚁群到鸟群，从鱼群到人类组织，从交通网络到万维网，"由大量简单个体通过局部交互涌现出全局智能"的模式反复出现。1989年，意大利学者 Marco Dorigo 在博士论文中提出蚁群优化算法（Ant Colony Optimization, ACO），第一次将这种自然智慧形式化为可计算的数学对象；自此之后，一个跨越人工智能、分布式系统、控制理论、经济学与社会学的交叉学科正式成型。

但 MAS 真正回答的，并不是"如何让机器模仿蚂蚁"这种表面问题。它追问的是一个更基础的命题：当若干个具备自主决策能力的实体被放进同一个环境，它们之间应当如何被组织、被沟通、被约束，才能使整体的智能超出任意个体能力之和？ 这一问题看似抽象，其实与每一位读者每天的生活息息相关——你在教室里的小组讨论、在球场上的团队配合、在微信群里的多方协商，本质上都是某种"多智能体系统"的实例，只不过过去人们用"团队协作"这种模糊的词来描述它。本书的任务，就是把这些日常直觉形式化（formalize）为可以分析、可以设计、可以预测的精确概念。

为了建立直觉，请允许我引入两个贯穿全书的对比性隐喻。

隐喻一：蚁群觅食（Stigmergy）。蚂蚁没有领导者，也没有广播系统。它们的协调完全依赖环境痕迹——一只蚂蚁在返回巢穴时会在路径上释放信息素（pheromone），后续蚂蚁倾向于沿着信息素浓度最高的方向前进。这是间接通信（indirect communication）的典范：智能体之间不需要彼此认识，只需要在共同环境中留下可读的痕迹。计算机科学家把这种机制叫做*stigmergy*，源自希腊语 *stigma*（标记）和 *ergon*（工作）。蚁群优化的核心算法正是利用这条原理，让"虚拟蚂蚁"在解空间中留下"数字信息素"，从而在组合优化问题（如旅行商问题、车辆路径规划）上找到高质量的近似解。

隐喻二：乐队演奏（Explicit Coordination）。一支交响乐团有几十名乐手，他们之间的协调完全依赖显式通信（explicit communication）：总谱、指挥手势、节拍、口令，甚至乐手彼此的眼神。每一个成员都拥有对全局目标的完整或部分认知，并能预测他人即将采取的行动。这是直接通信与联合意图（joint intention）的典范。计算机科学家由此发展出*契约网协议*（Contract Net Protocol）、*共享心智模型*（Shared Mental Model）、*BDI 架构*（Belief-Desire-Intention architecture）等一系列理论工具，让软件智能体能够像乐手一样协商、承诺、批评、协调。

这两个隐喻并不互斥，而是同一个频谱的两个极端。真实的智能体系统——无论是交通信号灯、市场交易机器人，还是今天的 LLM 多智能体框架——都同时包含隐式与显式的协调机制。本书将引导你沿着这条频谱理解 MAS 的设计空间。

在接下来的七个章节里，我们将逐一回答以下五个核心问题：

1. 什么是一个智能体？ 智能体（agent）一词在人工智能领域有非常特殊的含义，远比"程序""机器人""软件"更具结构色彩。我们将给出 Russell & Norvig、Wooldridge 等经典文献中的形式化定义，并提炼出自主性（autonomy）、社会性（sociality）、反应性（reactivity）、主动性（proactivity）这四要素。 2. 什么构成了多智能体系统？ MAS 不是"许多程序的拼盘"，而是涌现出一种社会级（society-level）能力的系统。我们将区分"并行计算""模块化程序"与"多智能体系统"这三种容易混淆的概念。 3. MAS 研究的脉络是什么？ 从 1980 年代的分布式人工智能（Distributed AI, DAI），到契约网协议、BDI 理论、Agent-Oriented Software Engineering，再到 2010 年代的深度强化学习多智能体（Multi-Agent Reinforcement Learning, MARL），再到 2023 年以来以大语言模型为大脑的 LLM Multi-Agent，本章梳理这条历史线。 4. 为什么要形式化？ 形式化（formalization）是把日常语言中模糊的概念替换为精确定义的过程。在 MAS 中，这意味着用状态机（state machine）、迁移系统（transition system）、逻辑公式（logical formula）来描述智能体的行为与交互。我们将简要预告形式化方法论的方法论地位。 5. 如何应用这些概念？ 本章末尾，我们将以"校园足球队的战术沟通"作为案例，把智能体、消息、角色、决策四个要素串在一起，演示分析框架的初步用法。

读者完成本章后，应能在三分钟内用一句话向同伴解释多智能体系统的本质，并独立画出"四要素—四支柱"概念图。

---

1.2　智能体的形式化定义：四要素的精确刻画

"智能体"是整个 MAS 研究的原子单位。然而，这个词在通俗语境中常被滥用——任何一段代码、任何一台扫地机器人都可能被称作"智能体"。这种宽泛用法在大众传播中并无大碍，但在学术研究中必须收窄，否则整个理论体系就会失去精确性。

1.2.1　Russell 与 Norvig 的经典定义

在 *Artificial Intelligence: A Modern Approach*（人工智能：一种现代方法）这本被引用超过五万次的教科书中，Stuart Russell 与 Peter Norvig 给出了迄今影响最广的定义：

> An agent is anything that can be viewed as perceiving its environment through sensors and acting upon that environment through actuators. > （智能体是任何可以通过传感器感知环境并通过执行器对环境施加动作的实体。）

这一定义的精髓在于强调感知—动作回路（perception-action loop）。一个智能体并非孤立存在的"灵魂"，而是嵌入在一个环境（environment）之中，并通过传感器（sensors）与执行器（actuators）持续交换信息的系统。请注意，这一定义故意保持中立——它不要求智能体拥有"意识""意志"或"自由"，只要求它具备"感知—行动"这一基本能力。

形式化地，我们可以把智能体 $\mathcal{A}$ 抽象为一个二元组结构：

$$\mathcal{A} = \langle S, A \rangle$$

其中 $S$ 是智能体在时间 $t$ 的内部状态（internal state），$A$ 是它可以执行的动作集合（action set）。再引入环境的概念，环境 $\mathcal{E}$ 是一个函数：

$$\mathcal{E}: (A_{\text{all}}, \mathcal{S}_{\text{all}}) \rightarrow \mathcal{S}_{\text{all}}$$

它根据所有智能体的动作以及环境当前状态，给出环境的下一个状态。智能体 $\mathcal{A}$ 的行为由决策函数（decision function）决定：

$$\delta: \mathcal{S}_{\mathcal{A}} \times \mathcal{P} \rightarrow A_{\mathcal{A}}$$

其中 $\mathcal{P}$ 是感知空间，$\mathcal{S}_{\mathcal{A}}$ 是智能体的内部状态空间。这个决策函数告诉我们：给定当前的内部状态与新接收到的感知，智能体应当选择哪一个动作？

对于人类驾驶员来说，$\mathcal{P}$ 包括视觉、听觉、触觉信号；$A$ 包括方向盘转动、油门踏板、刹车；$\delta$ 则是大脑中长期形成的驾驶经验。对于扫地机器人而言，$\mathcal{P}$ 是红外与激光传感器读数，$A$ 是两个轮子的转速，$\delta$ 由嵌入式算法实现。这一抽象的优雅之处在于：无论是人、动物、软件还是硬件，只要它具有感知—决策—行动的循环结构，就可以被建模为一个智能体。

1.2.2　四要素：从"什么都能"到"什么才能"

仅仅拥有感知—行动回路还不够。Russell & Norvig 的定义把"恒温器"也囊括进了智能体的范畴（温控器感知室温，决定是否启动加热），这显然是反直觉的。1995 年，Michael Wooldridge 与 Nicholas Jennings 在一篇题为 *Intelligent Agents: Theory and Practice* 的高被引论文中提出了著名的弱定义（weak notion of agency）与强定义（strong notion of agency）。

*弱定义*引入了智能体应具备的四个属性，这构成了本书第二章将进一步展开的"四要素"框架：

第一要素：自主性（Autonomy）。智能体应当在没有人类或其他智能体直接干预的情况下控制其内部状态与行为。它必须有自己的"主张"，能够基于自身目标做出决策，而不仅仅是被动响应外部命令。这意味着智能体需要某种形式的"自我决策"机制——可能是启发式规则、效用函数、马尔可夫策略网络，或者基于 LLM 的推理链。自主性的反义是受控性（controlled），后者意味着行为完全由外部指令决定。在 MAS 中，自主性是智能体享有"主权"的基础。

第二要素：社会性（Sociality）。智能体应能够与其他智能体（包括人类）通过某种通信语言（communication language）进行交互。这种通信不仅仅是数据包的传递，而是涉及通信行动（speech act）的语义——比如"询问""承诺""请求""拒绝""告知"等。Wooldridge 强调，正是社会性使得 MAS 区别于孤立的单智能体 AI：智能体不仅"做"，还要"协商"。形式上，社会性可以刻画为智能体具备一个通信接口 $\mathcal{C}$，用于发送与接收符合通信协议 $\mathcal{L}$ 的消息。

第三要素：反应性（Reactivity）。智能体应当能够及时感知环境的变化并以恰当的方式响应环境刺激。一个纯粹的规划系统（planner）哪怕拥有最完美的未来规划，若无法及时响应突发障碍，就不能称为智能体。反应性要求智能体的决策周期与环境的演化速度匹配。在实时 MAS 中，反应性往往通过事件驱动架构（event-driven architecture）实现：在接收到环境变化事件后，触发感知—推理—动作的快速回路。

第四要素：主动性（Proactivity）。智能体不仅被动响应环境，还应能够主动采取目标导向的行为（goal-directed behavior），即在机会出现时主动发起行动，而非等到外部触发。一个纯粹的"反应机器人"（reactive robot）哪怕反应再快，也无法完成"主动寻找客户"这类业务任务。主动性要求智能体内部存在某种目标生成或目标选择机制，使其能够"自发地"采取有利于实现长期目标的行动。

1.2.3　强定义：当智能体变得"有思想"

Wooldridge 进一步指出，在某些研究语境下，研究者会要求智能体具有更"拟人"的属性，比如信念（beliefs）、愿望（desires）、意图（intentions）、情感（emotions）、知识（knowledge）、甚至道德判断。这就是强定义（strong notion of agency）。最强版本的智能体概念直接对接心灵哲学（philosophy of mind）中的意向立场（intentional stance）：我们把智能体当作具有"心智"的实体来建模，使用信念、愿望、意图等概念来解释其行为。

强定义并非故弄玄虚，它在 *BDI 架构*（Belief-Desire-Intention architecture）中得到了具体实现：智能体维护一个信念库（关于世界的当前认知）、一个愿望集（可能追求的目标）、一个意图栈（当前承诺执行的目标）。该架构在 1990 年代被广泛用于自动驾驶、机器人协作、智能助理等领域。本书第六章将系统地介绍 BDI 理论。

需要强调的是，"强"并不意味着"更好"。在工程场景中，研究者常常坚持使用弱定义，因为弱定义不要求智能体具有意识或情感，可实现、可验证、可形式化。强定义更多用于理论分析与哲学讨论。本书在大多数情形下采用弱定义所确立的四要素，因为这正是支撑整个 MAS 形式化体系的最小公倍数。

1.2.4　一个反例：为何"程序"不是智能体

为了巩固这一区分，请考虑一段经典的"猜数字"程序：

```python def guess_number(target): return random.randint(1, 100) ```

它显然不是一个智能体，因为它既没有感知（它不知道 target 是什么），也没有行动对环境的反馈（生成随机数不改变任何状态）。再考虑一段栈溢出自动补全程序：它能根据上下文推荐下一行代码，建议可能有用，但它不具备自主目标——它完全服务于使用者既定的编码需求，且不会主动发起"重构你的项目"这种主动行为。

对比之下，GitHub Copilot Agent（2024 年后版本）则被许多人视为智能体：它有明确的目标（帮助用户完成编码任务），感知来自 IDE 环境的多种信号（编辑器光标、终端输出、项目文件结构），主动发起多步行动（运行测试、修改文件、提交 PR），并与其他 Agent 或工具协商（请求用户的代码审批）。即使它底层是大语言模型，它仍然满足四要素的全部要求。

---

1.3　多智能体系统：超越个体之和的多体世界

单个智能体的概念虽然重要，但只是 MAS 的"细胞"。当许多智能体被放进同一个环境，并被允许相互作用时，系统的行为将发生质变——涌现出任何个体都不具备的能力。

1.3.1　什么是多智能体系统：一个工作定义

不同学者给出的定义侧重点不同。综合 Wooldridge（2002）、Ferber（1999）与 Sycara（1998）等代表性工作，我们可以将多智能体系统刻画为：

> 多智能体系统（Multi-Agent System, MAS）是由多个相互作用的智能体组成的计算系统，这些智能体在一个共同的环境中活动，通过通信、协作、协商或竞争追求各自或共同的目标，并在此过程中涌现出超越个体能力的集体行为。

形式化地，我们可以把一个 MAS 表示为一个多元组：

$$\mathcal{M} = \langle \mathcal{A}_1, \mathcal{A}_2, \ldots, \mathcal{A}_n, \mathcal{E}, t \rangle$$

其中 $\mathcal{A}_i$ 是第 $i$ 个智能体，$\mathcal{E}$ 是共享环境，$t$ 表示时间维度。每个智能体 $\mathcal{A}_i = \langle S_i, A_i, \delta_i, \mathcal{C}_i \rangle$ 都具备自己的内部状态、动作空间、决策函数、通信接口。整个系统在每个时间步 $t$ 的全局配置 $\sigma_t = \langle s_1^{(t)}, s_2^{(t)}, \ldots, s_n^{(t)}, e^{(t)} \rangle$ 是所有智能体状态与环境状态的笛卡儿积。

这套形式化虽然抽象，但它精确地回答了一个常被混淆的问题：MAS 与并行计算（parallel computing）的本质区别是什么？

1.3.2　MAS vs 并行计算：四个关键差异

差异一：计算单元的同质性。并行计算通常假设所有计算节点执行相同的算法副本（HOMOGENEOUS），只是被分配到不同的数据切片；而 MAS 允许每个智能体具有异质的内部状态、目标、决策函数。一个机器人足球队里，前锋、中场、后卫、守门员的"目标函数"截然不同，前锋追求进球数，后卫追求失球数；它们通过不同的策略与角色组合，才能赢得比赛。

差异二：通信范式。并行计算中的通信往往是预定义的数据交换（如 MPI 的 AllReduce、消息传递），且通信模式在程序编译时基本固定。MAS 的通信则是意图驱动的（intentional），使用类似 FIPA-ACL（Agent Communication Language）这样的语义协议，每条消息都带有"请求"（request）、"告知"（inform）、"询问"（query）等通信行动（speech act）。消息的内容由发送者的意图决定，接收者需要解释这些消息并可能采取进一步行动。

差异三：控制结构。并行计算追求的是单一集中式控制（如一个主进程调度多个从进程），或者至少是清晰的层级控制；而 MAS 本质上是去中心化的——没有全局时钟，没有上帝视角的中心节点。每个智能体只能基于自己的局部观察与接收到的消息做出决策。这一去中心化特征给 MAS 同时带来了鲁棒性（无单点故障）与一致性挑战（如何保证各智能体的信念一致）。

差异四：涌现性与可分析性。并行计算的行为通常是可预测的（deterministic或可概率分析），因为其计算图在编译期已定。而 MAS 的行为具有显著的涌现性（emergence）：整体行为由大量局部交互自下而上地产生，事先难以预测。这就要求 MAS 研究必须引入抽象层级（abstraction level）与**宏