多智能体系统导论：范式、演化与前沿 / Introduction to Multi-Agent Systems

第 1 章 多智能体系统导论：范式、演化与前沿

问题的提出：单体智能的极限与协作的回归

2024 年初，Anthropic 发布的研究报告显示，旗舰模型 Claude 3 Opus 在长上下文（200K tokens）任务中，对中间位置信息的检索准确率出现明显塌陷——这一现象后来被社区称作"中间迷失"（Lost in the Middle）。同年，OpenAI 在 GPT-4o 的技术报告中坦率承认，尽管模型在单回合推理（single-turn reasoning）上接近人类专家水准，但在多步骤、需要持续工作记忆（working memory）的复杂任务中，错误率随推理深度呈近似指数增长。这两个看似独立的现象指向同一个根本性瓶颈：单体智能的容量存在不可逾越的结构性约束。

这一约束并非新生事物。Rich Sutton 在 2019 年发表的《The Bitter Lesson》中就已预言，依赖人类先验知识的系统终将被可扩展的算力所取代——但他也同时指出，算力扩张本身需要合适的计算结构来承载。当单一模型的参数规模、数据规模和上下文窗口三个维度同时逼近物理与经济极限时，研究的重心必然从"如何把单个智能体做得更大"转向"如何让多个中等规模的智能体协同工作"。这就是多智能体系统（Multi-Agent System, MAS）在 LLM 时代重新成为研究焦点的根本动因。

更深层的逻辑是认知科学中早已确立的"组合性假说"（Compositionality Hypothesis）：高级智能并非源于单一巨大的认知模块，而是源于多个专精化模块通过特定协议（protocol）进行的动态组合。人类大脑本身就是一个由数百个功能特化脑区（如布罗卡区、海马体、前额叶皮层）通过神经纤维束实时耦合的多智能体系统。将这一原理映射到人工智能工程，便自然得到 LLM-MAS 这一新的研究范式：每个 LLM 智能体承担特定认知角色，通过结构化通信协议（structured communication protocol）实现能力涌现（capability emergence）。

本章的目的，是为这一新范式建立精确的概念坐标系。我们将依次厘清三个常被混用的术语——智能体（Agent）、多智能体系统（MAS）、多智能体协作（Multi-Agent Collaboration, MAC）——的边界；沿着三十年研究史梳理 MAS 从分布式人工智能（DAI）到现代 LLM-MAS 的演化脉络；形式化定义智能体心智的 BDI 模型；给出协作型、对抗型、混合型 MAS 的分类法；最后对比当前三大主流 LLM-MAS 框架（MetaGPT、AutoGen、CrewAI），并落地一个最小可运行的 LLM 智能体原型。

1.1 概念边界：Agent、MAS 与 MAC 的精确切分

在中文技术社区，"智能体""多智能体系统""多智能体协作"三个术语经常被混用，导致大量无效讨论。要建立可工程化的认知框架，必须先在概念层面做一次清晰的切分。

1.1.1 智能体（Agent）的精确定义

智能体在人工智能语境下至少存在三种不同的本体论地位，对应三种不同的工程实现：

1. 弱定义（Weak Notion）：任何能通过传感器（sensors）感知环境，并通过执行器（actuators）作用于环境的实体。这一定义源自 Russell & Norvig 的《Artificial Intelligence: A Modern Approach》，覆盖范围极广——从恒温器到自动驾驶系统皆可纳入。它强调的是"感知-行动循环"（perception-action loop）的存在性，而非内部结构的复杂性。

2. 强定义（Strong Notion）：除弱定义外，还需具备知识、信念、意图、情感等类人认知状态。这一定义与哲学家 Dennett 的"意向立场"（intentional stance）一脉相承，要求智能体不仅"行动"，而且"为了某种目的而行动"。

3. LLM 时代的工作定义（Operational Notion）：一个 LLM 智能体 = 大语言模型（推理核心）+ 记忆系统（短期 + 长期）+ 工具集（API、代码执行、检索）+ 规划器（planner）。其中规划器负责将自然语言目标分解为子任务序列，并决定何时调用何种工具。这一定义由 Yao 等人在 2023 年提出的 ReAct 框架奠定基础，已成为当前 LLM Agent 研究的事实标准。

工程实践中，我们采用第三种工作定义，因为它直接对应可实现的代码结构。但要理解 MAS 的理论基础，仍需借助强定义中的 BDI 心智模型，这一点将在 1.3 节展开。

1.1.2 多智能体系统（MAS）的系统层级

多智能体系统（MAS）是一个由多个智能体、环境、智能体间通信媒介共同构成的封闭系统。Wooldridge 在《An Introduction to MultiAgent Systems》中给出了形式化定义：

$$MAS = \langle Ag, Env, Org, Comm, Res \rangle$$

其中：

• $Ag = \{a_1, a_2, \ldots, a_n\}$ 是智能体的有限集合
• $Env$ 是环境，规定了状态空间 $\mathcal{S}$、状态转移函数 $T: \mathcal{S} \times \mathcal{A}_1 \times \cdots \times \mathcal{A}_n \to \mathcal{S}$
• $Org$ 是组织结构，规定智能体间的角色分工与权力关系
• $Comm$ 是通信协议层，包括消息传递机制与共享本体（shared ontology）
• $Res$ 是资源约束集合，包括时间、算力、信息访问权限

MAS 关注的是系统级属性：当智能体集合 $Ag$ 共同作用于环境 $Env$ 时，整体涌现出的行为模式是否满足设计者设定的全局目标 $\mathcal{G}$。这一定义的关键在于：MAS 不仅是"多个 Agent 的堆叠"，而是具有独立分析层次的研究对象。

1.1.3 多智能体协作（MAC）的操作层级

多智能体协作（MAC）是 MAS 内部的一个子问题，专门研究智能体之间如何通过协调（coordination）、协商（negotiation）、协同（cooperation）三种机制实现共同目标。区分 MAC 与 MAS 的关键在于：MAS 是系统视角，MAC 是机制视角。一个 MAS 内部可能同时存在协作（部分智能体协同）、竞争（部分智能体对抗）、中立（独立行动）三种关系，而 MAC 只聚焦于其中协作关系的实现。

三者的层级关系可概括为：Agent 是 MAS 的组成单元，MAS 是 MAC 发生的系统容器，MAC 是 MAS 中实现正和博弈的具体机制。这一边界切分对本书后续章节的组织至关重要——第 3 章讨论的协议层（Protocols）正是 MAC 机制的具体载体。

1.2 演化史：从 DAI 到 LLM-MAS 的三十年

MAS 并非 LLM 时代的新发明。其思想根源可追溯到 1980 年代的分布式人工智能（Distributed Artificial Intelligence, DAI），并经历了五次显著的范式跃迁。下表与配套流程图梳理了关键里程碑。

```mermaid flowchart LR A["1980s<br/>DAI 兴起<br/>黑板系统"] --> B["1990s<br/>BDI 形式化<br/>KQML / FIPA-ACL"] B --> C["2000s<br/>博弈论 MAS<br/>市场机制"] C --> D["2010s<br/>深度 MARL<br/>MADDPG / QMIX"] D --> E["2020s<br/>LLM-MAS<br/>MetaGPT / AutoGen"] E --> F["2024+<br/>协议化协作<br/>A2A / ANP"] ```

1.2.1 DAI 阶段（1980s）

1977 年，Lesser 和 Erman 在 Carnegie Mellon 大学开发了第一个分布式黑板系统 HEARSAY-II，用于语音理解任务。该架构将复杂的语音识别问题分解为多个专家模块（声学子系统、词汇子系统、句法子系统等），通过共享的"黑板"数据结构进行间接通信。这一范式确立了两个至今仍影响 LLM-MAS 设计的核心思想：任务分解（task decomposition）与共享内存中介（shared memory broker）。1990 年代早期，Smith 提出的合同网协议（Contract Net Protocol, CNP）进一步丰富了 DAI 的协调机制，通过"招标-投标-中标"的市场化流程实现任务在智能体间的动态分配，这一思想在现代 CrewAI 框架的任务委派机制中仍然可见。

1.2.2 形式化阶段（1990s）

随着 MAS 研究深入，学术界意识到要实现可验证、可推理的智能体行为，必须建立严格的形式化语义。Rao 和 Georgeff 在 1991 年提出的 BDI 逻辑（参见 1.3 节）成为里程碑。同时期，DARPA 的 KSE（Knowledge Sharing Effort）项目催生了两个影响深远的通信语言标准：KQML（Knowledge Query and Manipulation Language）和 FIPA-ACL（FIPA Agent Communication Language）。它们定义了 performatives（言语行为）的标准化语义，例如 `INFORM`、`REQUEST`、`PROPOSE` 等。这一阶段的成果虽未在大模型时代广泛流行，但 FIPA-ACL 的设计哲学——消息内容与消息意图分离——在 Anthropic 推动的 Model Context Protocol（MCP）和 Google 的 Agent-to-Agent（A2A）协议中再次复活。

1.2.3 博弈论阶段（2000s）

2000 年前后，Rosenschein、Zlotkin、Wellman 等学者将微观经济学与博弈论引入 MAS 研究，形成了"机制设计"（mechanism design）这一新分支。其核心问题是：在智能体均为自利（self-interested）的前提下，如何设计激励协议（incentive protocol）使得理性行为收敛到系统全局最优？典型代表包括 Vickrey-Clarke-Groves（VCG）拍卖机制在任务分配中的应用，以及 Bayesian Nash 均衡在多智能体协商中的形式化分析。这一阶段为后续多智能体强化学习的均衡概念奠定了理论基础。

1.2.4 深度多智能体强化学习阶段（2010s）

2017 年，OpenAI 与 DeepMind 同时发表了多智能体深度强化学习的标志性工作。Lowe 等人的 MADDPG（Multi-Agent Deep Deterministic Policy Gradient）采用集中训练、分散执行（Centralized Training with Decentralized Execution, CTDE）范式缓解了非平稳环境问题；Sunehag 等人的 VDN（Value Decomposition Networks）则通过价值函数加性分解实现合作型 MARL 的端到端学习。这一阶段在游戏 AI（如 StarCraft II、Quake III Capture the Flag）上取得显著成功，但训练成本高昂、可解释性差的问题始终未解。

1.2.5 LLM-MAS 阶段（2020s 至今）

2023 年是 LLM-MAS 元年。多个标志性事件密集发生：3 月，AutoGPT 将 LLM 智能体从实验室带入公众视野；6 月，Microsoft 发布 AutoGen 框架；7 月，DeepMind 推出 AlphaProof；10 月，MetaGPT 论文在 ICLR 2024 投稿并迅速获得广泛关注；同年，CrewAI 以轻量化、角色化的设计哲学开辟了 LLM-MAS 的第三种风格。2024 年 5 月，Anthropic 发布 Model Context Protocol（MCP）开放标准，标志着 LLM-MAS 从"框架之争"走向"协议之争"。2025 年初，Google 联合 50 余家科技公司推动 Agent2Agent（A2A）协议，进一步加速了协议层基础设施的标准化。

关键判断：LLM-MAS 与传统 MAS 最大的区别不在于"多个智能体"这一表面特征，而在于智能体的认知能力来源。传统 MAS 依赖人工设计的规则或基于小模型的有限推理能力，每个智能体的"智力"极其有限；LLM-MAS 中的每个智能体则共享大语言模型强大的通用推理能力，因此协作的目的不再是"弥补个体能力的不足"，而是"组织多个高智力个体的专精化输出"。这一范式转变带来了全新的设计自由度，也带来了新的挑战——上下文窗口污染、推理成本失控、幻觉传染（hallucination propagation）等。

1.3 BDI 模型：理性智能体的形式化骨架

要理解 MAS 的协作机制为何需要协议，必须先理解单个智能体"心智"的形式化结构。BDI（Belief-Desire-Intention）模型是过去三十年最成功的智能体心智理论，其核心思想源自 Bratman 的哲学工作，后经 Rao-Georgeff、Woolridge 等人的形式化扩展，成为 MAS 教科书的标准内容。

1.3.1 三要素的认知语义

BDI 将智能体的内部心智状态分解为三个互不重叠但相互作用的子集：

• **信念（Belief）**：智能体对环境状态、其他智能体状态、自身状态的认知。形式化为 $Bel \subseteq \mathcal{L}$，其中 $\mathcal{L}$ 是某个一阶逻辑语言。信念的特点是**可错（fallible）**——智能体可能因信息不全或感知噪声而持有错误信念。
• **欲望（Desire）**：智能体希望实现的世界状态集合。注意，欲望之间可能存在冲突（一个智能体可能同时想"完成任务"和"节省算力"），因此需要进一步筛选。
• **意图（Intention）**：智能体已承诺（committed）执行的行动方案，是欲望经过慎思（deliberation）后筛选出的可执行子集。意图的核心特征是**承诺性（commitment）**——一旦形成意图，智能体不会因临时诱惑而轻易放弃。

三者之间的关系可形式化为：$Bel \rightarrow$ 信息过滤 $\rightarrow$ $Des$（结合效用函数） $\rightarrow$ 慎思过程 $\rightarrow$ $Int$。

1.3.2 形式化语义

Rao-Georgeff 的 BDI 逻辑使用一种分支时序逻辑（branching-time temporal logic, CTL*）的扩展来定义语义。其关键模态算子包括：

• $Bel(\phi)$：智能体相信 $\phi$ 为真
• $Goal(\phi)$：$\phi$ 是智能体的目标
• $Intend(\phi)$：智能体意图实现 $\phi$
• $Always(\phi)$：在所有未来路径上 $\phi$ 恒成立

公理系统的核心约束之一是意图-信念一致性公理：

$$\forall \phi: Intend(\phi) \Rightarrow Bel(\phi)$$

即智能体不能意图实现自己不相信能够实现的状态。这一约束看似显然，却在多智能体协调中至关重要——它是协议设计中"信任建立"（trust establishment）逻辑基础的来源。

1.3.3 经典变体与扩展

BDI 模型在过去三十年衍生出多个重要变体：

1. BOID 模型（Broersen et al., 2001）：在 BDI 基础上加入 Obligations（义务）和 Norms（规范），用于建模伦理约束下的智能体行为。 2. 情感 BDI（Emotional BDI, eBDI）：将情绪状态（fear、joy、anger）作为新的心智维度引入，影响决策权重。代表性工作包括 Adam 等人的 FAtiMA 架构。 3. 认知 BDI（Cognitive BDI）：将神经科学中的全局工作空间理论（Global Workspace Theory）与 BDI 融合，用注意力机制模拟信念激活与意图选择。 4. LLM 时代的重新解读：在 LLM-MAS 中，BDI 三要素不再对应显式的符号结构，而是隐式地编码在 LLM 的参数中——信念对应上下文窗口中的事实陈述，欲望对应系统提示（system prompt）中的目标描述，意图对应 Chain-of-Thought（CoT）中的中间推理步骤。这一重新解读虽失去形式化严格性，却获得了前所未有的语言灵活性。

1.3.4 BDI 模型的局限与替代

BDI 模型的工程化落地一直存在"符号接地问题"（symbol grounding problem）：将自然语言目标转化为形式化的 $\phi$ 极其困难。LLM-MAS 通过让大模型直接生成自然语言推理链，绕过了这一问题，但也付出了新的代价——推理的不可验证性。当 LLM 智能体声称"我相信 X"时，我们无法从外部验证这一信念是否真的被持有。

一种正在兴起的折中方案是显式 BDI + LLM 推理的混合架构：用 LLM 负责信念提取（将感知转化为自然语言断言）、目标生成、意图规划，但用一个独立的符号验证器（symbolic verifier）确保意图不违反硬约束（如安全规则、权限边界）。这一架构在 2024 年后逐渐成为 LLM-MAS 工程实践的主流，AutoGen v0.4 引入的"函数调用约束"机制即是典型代表。

1.4 分类法：协作型、对抗型与混合型 MAS

按照智能体之间的利益关系，MAS 可分为三大基本类型。理解这一分类对系统设计至关重要——它直接决定了协议选择、优化目标和评估指标。

1.4.1 协作型 MAS（Cooperative MAS）

定义：所有智能体共享同一全局效用函数 $U_{global}$，每个智能体的个体效用与系统效用完全对齐。

典型场景：

• 软件工程团队模拟：MetaGPT 中的 ProductManager、Architect、Engineer、QA 角色共同优化"软件质量"这一全局目标
• 科学研究协作：化学研究中由"文献检索员"、"反应设计员"、"结果