从单打独斗到群英荟萃：为什么要研究多智能体

第 1 章：从单打独斗到群英荟萃：为什么要研究多智能体

1.1 一个 LLM 搞不定一份旅行攻略

把任何一个 2023 年之后接触过 ChatGPT、Claude 或文心一言的人拉到一台电脑前，让他/她用单一对话窗口规划一次"从北京出发，途经西安、兰州、西宁，最终抵达拉萨的 18 天自驾游"，你大概率会看到以下过程：第一轮，模型给出大致路线和预算；第二轮，你追问每天的详细行程，模型开始出现幻觉，把并不存在的"天空之镜茶卡盐湖星空营地"写得栩栩如生；第三轮，你要求把 18 天的预算精确到每顿饭，模型在 8000 token 之后开始"忘记"前面已经确认过的酒店；第四轮，你要求它同时比较三款车型的油耗、过路费、租金，模型的回答开始自相矛盾；第五轮，你因为感冒把出发时间推迟三天，整份攻略需要重排，模型在重新计算时把已订机票的退票政策搞错了。

这不是模型的错。这是单智能体在结构上的必然失败。一个 LLM 智能体（我们暂且把它看成"一个能读、能写、能调用工具的 AI 主体"）在面对真正复杂、跨领域、跨时间、跨多个约束条件的任务时，会撞上三堵无法靠"模型变大"或"提示词更精妙"来绕过的墙：感知局限、算力上限、知识盲区。而要翻过这三堵墙，最朴素的工程答案就是——组队。这正是本书要回答的核心问题：什么时候该让多个智能体组成"社交网络"协同工作？它们之间该怎么说话、怎么分工、怎么仲裁、怎么共同决策？第 1 章是这趟旅程的入口，先把"为什么"说透。

---

1.2 单 Agent 的三大瓶颈

把"智能体"（Agent）这一概念抽象到工程层，可以得到一个最小定义：一个能感知环境、能基于内部状态做决策、能对环境施加动作的自主实体。感知—决策—动作，循环往复。这个定义不挑实现，可以是 1996 年的国际象棋程序 Deep Blue，可以是波士顿动力的 Spot 机器狗，也可以是接入了 16 个工具的 GPT-5 助手。单 Agent 之所以在很多场景下表现惊艳，是因为任务本身可以被压缩成一条串行推理链：先看，再想，再做。问题在于，一旦任务规模、维度、时间跨度中的任何一项膨胀，串行链就会断裂。

1.2.1 感知局限：只有一个视角的"管中窥豹"

一个智能体的感知通道数量是有限的。对于软件 Agent，感知通道是它能调用的 API、能读取的文件、能监听的日志流；对于机器人 Agent，感知通道是相机、激光雷达、IMU、麦克风。无论哪种，通道数量和带宽都是物理约束。在自动驾驶场景里，一辆单车即使装上 8 个摄像头、5 个毫米波雷达、12 个超声波雷达，它能"看到"的也只是车体周围 200 米内的物体；前方 500 米被卡车遮挡的行人、单行道尽头突然窜出的逆行电动车、对面车道车灯后面的动物——这些信息它永远看不到。

感知局限不只是"看得不够远"。更深层的问题是视角的单一性。一个 Agent 的感知决定了它的世界模型，而世界模型决定了它能做出什么决策。在工业互联网场景中，单个 PLC 控制器只能感知本机台的电流、振动、温度；它不知道上游传送带的转速、不知道下游机械手的节拍、不知道仓库里还剩多少原材料。它的决策只能在"自我保护"层面——电流过载就停机——而无法在"全局优化"层面——把次品优先下线、把故障设备的产能分给其他设备。

对于 LLM Agent，感知局限表现为上下文窗口的硬上限。即使 Claude 把窗口扩到 200 万 token，把 GPT-5 扩到 100 万 token，它们仍然要在一个有界的注意力预算里同时处理所有相关信息。注意力是 O(n²) 的，这意味着当 n 翻倍，计算量翻 4 倍。更微妙的是，大模型在长上下文里存在"中间遗忘"现象——UCLA 和 Samaya AI 在 2023 年的论文《Lost in the Middle》系统地证明了这个效应。任务越长，关键信息越容易被埋没。这不是 bug，是 Transformer 架构的固有特性。

1.2.2 算力上限：再大的模型也有"思考时间"

一个 Agent 的算力受三重约束：训练算力、推理算力、决策时延。训练算力决定它"知道什么"，推理算力决定它"想多深"，决策时延决定它"反应多快"。这三者在工程上常常此消彼长。

让我们用一个具体例子来说明。假设我们要让一个智能体在 1 秒钟内完成以下任务：阅读 100 篇最新的 arXiv 论文摘要、提炼出 10 个研究方向、评估每个方向与公司现有技术栈的契合度、给出 3 个立项建议。单智能体路径是：先让一个超大 LLM 处理所有输入，触发"思考"链，做检索增强生成（RAG），最后输出建议。问题在于：

• **推理成本爆炸**。一次任务消耗的 token 可能是 50 万到 200 万，调用一次 Claude Opus 或 GPT-5 的成本在 5 到 30 美元之间。如果每天做 1000 次这样的任务，年化成本 200 万到 1000 万美元。这还没算上重新训练、微调、AB 测试的开销。
• **决策时延失控**。一个完整推理链在 100 张 H100 上跑可能需要 8 到 12 秒，离 1 秒钟的目标差一个数量级。如果用更小的模型，时延下来了，但准确率会掉到不可用区间。
• **并发能力归零**。同一时刻，全公司只能有少量用户跑这个任务，其他人排队。这就是单智能体架构的"皇帝位"问题——只有一个大脑，资源永远不够分。

更糟糕的是，单智能体的算力上限经常被低估。一个常见的误解是"只要等 GPT-6、GPT-7 出来就行"。但算力不会等比扩展。从 GPT-3 到 GPT-4，参数从 175B 涨到 1.8T（约 10 倍），但训练算力从 3640 PFLOP-days 涨到约 2.1×10⁴ PFLOP-days（约 60 倍）。这种超线性增长背后是物理墙：单芯片晶体管密度逼近 2nm 极限，互联带宽跟不上算力增长，电力供应和散热成为数据中心的瓶颈。指望"模型自己变大"来解决所有问题，是把工程难题外包给了物理学。

1.2.3 知识盲区：再博学的专家也有"我不懂"

知识盲区有两种：显性盲区（知道自己不知道）和隐性盲区（不知道自己不知道）。单智能体同时被这两种盲区困扰。

显性盲区的典型表现是 LLM 的"幻觉"。模型会在被问及"林黛玉倒拔垂杨柳"这种荒诞问题时一本正经地编出情节。它会自信地引用一篇不存在的论文、一段不存在的代码、一个不存在的 API。这是因为 LLM 本质上是一个概率分布拟合器，而不是一个知识库。它从 1.5T 个 token 里学到了语言的统计规律，但没有能力区分"我见过这个模式"和"我编了一个合理的模式"。在 2023 年 Nature 的一篇评论里，作者把这种现象称为"机器的梦呓"——形式上流畅，语义上无根。

隐性盲区更危险。假设我们要做一个"AI 投资顾问"Agent，让它基于公开财报、新闻、宏观数据给出股票推荐。它能读到特斯拉的 10-K 报告，知道 2024 年交付了 180 万辆车、毛利率 18%、上海工厂产能利用率 95%——这些是它的"显性知识"。但它不知道某家对冲基金已经悄悄建了 5% 的空头仓位、不知道 SEC 正在调查某条产品线、不知道创始人下周要发一篇会引发股价剧烈波动的博客。这些"非公开"信息在金融决策中往往权重极大。把它做成单智能体，意味着所有决策都建立在一个有洞的世界观上。

更系统的知识盲区来自领域深度的不足。一个被通用数据训练出的 LLM Agent，在编程、写作、翻译这些"宽而浅"的领域可以接近人类专家水平，但在石油勘探、半导体光刻、临床手术、复合材料工艺这些"窄而深"的领域，它只能给出"看起来合理但工程师会皱眉"的建议。要让一个 Agent 在多个窄领域都达到专家水平，要么为每个领域训练一个专家模型（成本高昂），要么让多个专项 Agent 协同（这正是 MAS 的价值）。

把三堵墙合在一起看：单 Agent 系统的能力天花板，来自于"感知带宽 × 算力预算 × 知识覆盖"这个三元组的乘积上限。三个变量中任何一个被锁死，整个系统就锁死。要突破乘积上限，最直接的办法就是把乘积变成加和——让多个 Agent 分别负责感知、算力、知识中的一个维度，然后通过通信把它们的输出拼起来。这就是多智能体系统的基本动机。

---

1.3 多智能体系统的三段历史与三个流派

多智能体系统（Multi-Agent System, MAS）不是大模型的产物。它的历史可以追溯到 1980 年代，跨越符号智能、行为智能、混合智能三个时代。理解这段历史，能帮我们看清今天 LLM Agent 集群的真正创新点和真正风险点。

1.3.1 1980 年代：分布式人工智能的诞生

1980 年，MIT 的 Carl Hewitt 发表《Actor Model of Concurrent Computation》，提出了 Actor 模型：一个并发计算系统由大量独立 Actor 组成，每个 Actor 拥有自己的状态、行为和邮箱，Actor 之间通过异步消息传递通信。这个模型后来成为 Erlang 语言的哲学基础，也成为今天几乎所有 MAS 框架的元模型。Hewitt 比我们要回答的"为什么"早了 40 年提出这个答案。

几乎同一时期，Marvin Minsky 在 1986 年出版的《Society of Mind》中提出了一个激进的想法：智能不是单个大脑的属性，而是大量简单代理（Agent）交互的涌现结果。Minsky 把心智比作一个"小代理的群落"——有的代理负责识别颜色，有的负责识别形状，有的负责语法，有的负责语义，它们相互竞争、合作、协商，最终产生"看见一张脸"或"理解一个笑话"这种宏观智能。这个观点深刻影响了后来的认知科学和人工智能，但它也带来了一个至今未解的难题：涌现行为的可解释性。

1980 年代后期，Distributed AI（DAI）作为一个独立子领域正式成型。它有两个分支：Distributed Problem Solving（DPS）和 Multi-Agent Systems（MAS）。DPS 关心"如何把一个大问题拆给多个求解器"，MAS 关心"如何让多个自主实体协调行为"。今天我们看到的很多工业调度算法，本质上就是 DPS 思想的延续。

1.3.2 1990 年代：博弈论、控制论与协议时代

1990 年代是 MAS 理论的大爆炸期。两个外部推力起了决定性作用：一个是 1994 年纳什均衡获得诺贝尔经济学奖，把博弈论推上神坛；另一个是 Internet 的商业化，催生了大规模分布式系统的真实需求。

这一时期出现了几个至今仍在使用的经典协议：

• **合同网协议**（Contract Net Protocol, 1980 年由 Reid Smith 提出，1990 年代广泛验证）：当一个 Agent 发现自己有任务需要别人帮忙时，它向全网广播"招标公告"；其他 Agent 根据自身能力和负载"投标"；招标方评估所有投标后，选定中标方并签订合同。这本质上是把市场机制引入了 Agent 协作。2017 年 Uber 把这套思想应用到了司机调度，今天的云原生任务调度（如 Kubernetes 的调度器）里也能看到合同网的影子。

• **拍卖机制**（Auction-based Coordination）：Agent 之间通过出价—竞价—成交来分配资源。常见的有第一价格拍卖、维克里拍卖（Vickrey auction，第二价格密封拍卖）、组合拍卖（combinatorial auction）。组合拍卖特别有意思——它允许 Agent 对"资源包"出价，比如"我想要 4 个连续的 CPU 时隙 + 8GB 内存"，调度方需要解一个 NP-hard 的优化问题，但解出来的方案往往能比"逐个资源拍卖"提升 30% 以上的资源利用率。

• **BDI 架构**（Belief-Desire-Intention，1987 年由 Rao 和 Georgeff 提出）：把 Agent 内部状态显式建模为信念（对世界的认知）、愿望（想要达到的目标）、意图（承诺要去执行的计划）。BDI 给了符号派一个"心智模型"——Agent 不再是黑箱，它有自己相信什么、想要什么、承诺什么。这套模型在 2000 年代的工业过程控制、空中交通管制、军事仿真中得到了广泛应用。

与此同时，行为派（Behavior-based AI）从另一条线崛起。MIT 的 Rodney Brooks 在 1986 年提出包容架构（Subsumption Architecture），主张没有表示、没有推理的智能——Agent 由若干"行为层"组成，每层直接连接传感器和执行器，层与层之间通过抑制信号决定谁先行动。最低层是"别撞墙"，其次是"别饿肚子"，再次是"探索环境"。Brooks 用这个思想造了 Genghis 六足机器人，在不平整地形上走得比传统规划机器人还稳。

包容架构的革命性在于它放弃了世界模型。传统 AI 信奉"Sense → Model → Plan → Act"（SMPA），而 Brooks 信奉"Sense → Act"（SA），甚至在极端情况下连 Sense 都可以省。"The world is its own best model"（世界就是它最好的模型）成为行为派的战斗口号。这种哲学对后来的机器人学影响深远——波士顿动力早期的工作、ROS（Robot Operating System）的行为树（Behavior Tree）设计、Waymo 早期决策模块的层次化结构，都能看到行为派的影子。

1.3.3 2000—2010 年代：混合架构与工业落地

进入 2000 年代，单一学派都暴露了局限。纯符号派规划慢、对噪声敏感；纯行为派没有长远目标、无法完成复杂任务。混合派（Hybrid Architecture）应运而生，尝试把两层或三层结合：底层用行为派的快速反应（毫秒级），中层用有限状态机或行为树做协调，顶层用符号派做规划。

这个时期有两个标志性事件：一个是 2005 年 Stanford 的 Stanley 在 DARPA Grand Challenge 上夺冠，它的车载决策系统就是典型的混合架构——底层是快速反应的行为模块（避障、保持车道），中层是行为树（决定当前该用哪个行为），顶层是代价地图 + 路径规划。另一个是 2011 年 IBM Watson 在 Jeopardy! 节目中击败人类冠军，它背后是 DeepQA 架构——多个并行的"假设生成器"独立工作，每个生成候选答案，然后由"证据评估器"打分，再由"排序融合器"选出最终答案。Watson 本质上就是一个多 Agent 系统，只不过每个 Agent 是基于规则 + 统计混合的专用模块。

工业落地在 2010 年代加速。ABB、KUKA、安川的工业机器人开始大规模集成多 Agent 协调层，实现整个车间的同步。亚马逊 2012 年收购 Kiva Systems，把仓储机器人从 1 千台扩展到 50 万台，背后是 MAS 调度算法的全面升级。

1.3.4 2020 年代：大模型 Agent 集群的复兴

2022 年底 ChatGPT 发布后，整个 AI 社区经历了一次"范式再发现"——多 Agent 突然又时髦了。但这次的"时髦"和 1990 年代有本质不同。1990 年代的 MAS 建立在形式化逻辑和博弈论之上，Agent 之间的通信是结构化的、有限的；今天的 LLM Agent 集群建立在自然语言之上，Agent 之间可以用任意复杂的文本通信，这让 MAS 的表达能力爆炸式增长。

2023 年起，AutoGPT、BabyAGI、MetaGPT、CrewAI、AutoGen、ChatDev 这类框架如雨后春笋般出现。它们的核心思想是让多个 LLM Agent 扮演不同角色（产品经理、架构师、程序员、测试员），通过对话协作完成复杂任务。2024 年初，DeepMind 的《A Multitask, Multilingual, Multimodal Evaluation of Large Language Models》论文和斯坦福的《Generative Agents》论文把这件事推到了学术前沿。论文里的"小镇模拟器"让 25 个 LLM Agent 在虚拟小镇中自主生活、社交、举办情人节派对，行为逼真到让观察者产生"涌现意识"的错觉。

但热闹背后要冷静。今天的 LLM Agent 集群在工程上还处于 1990 年代的"协议混乱期"——没有统一的通信标准，没有可靠的冲突解决机制，没有形式化的协作保证。我们这一代 MAS 研究者要做的，正是把符号派的严谨、行为派的敏捷、混合派的层次化优势，移植到 LLM 这个新底座上。这是本书后续 14 章要展开的全部内容。

1.3.5 三个流派的对比

```mermaid flowchart LR subgraph 符号派 A1[BDI 模型] --> A2[逻辑规划] A2 --> A3[形式化协议] end subgraph 行为派 B1[包容架构] --> B2[行为树] B2 --> B3[反应式控制] end subgraph 混合派 C1[层次化决策] --> C2[三层架构] C2 --> C3[端到端优化] end A3 --> C1 B3 --> C1 C3 --> D[LLM Agent 集群<br/>2020s] ```

三派不是互相替代，而是层层叠加。符号派给了我们语言（信念、愿望、意图、合同、拍卖），行为派给了我们速度（毫秒级反应、无需世界模型），混合派给了我们结构（哪一层该用哪种智能）。LLM Agent 集群是这三派在自然语言维度上的新生，它继承了符号派的表达力、行为派的灵活度、混合派的层次化思想，但失去了形式化的可验证性。用 LLM 当 Agent 底座，意味着我们必须重新发明一套新的协议、新的验证、新的可解释性。这是本书第 8—12 章的核心议题。

---

1.4 协作带来的四大收益

从单 Agent 走向多 Agent，本质上是从"乘积上限"走向"加和扩展"。但加和不是 1+1=2，而是 1+1>2 的涌现。这种涌现来自四个具体的收益：并行、鲁棒、涌现、可分解。

1.4.1 并行：把串行推理变成流水线

并行是最直觉的收益。如果一个任务可以拆成 K 个相对独立的子任务，那么 K 个 Agent 并行处理的理论加速比就是 K（实际中受通信、合并、瓶颈的影响，加速比通常是 0.6K 到 0.85K）。在 LLM Agent 场景下，并行带来的不只是速度，还有**思考的宽度*