1. 大语言模型驱动的多智能体系统研究全景解读
去年夏天,我在调试一个基于GPT-4的客服协作系统时,发现单个AI客服在处理复杂工单时经常陷入"思维闭环",而引入多个具有不同角色的AI智能体后,问题解决率提升了47%。这个现象让我开始系统性追踪LLM-MA(Large Language Model based Multi-Agents)领域的最新进展。今天要分享的这篇综述论文,恰好为这个快速发展的领域提供了全景式扫描。
这篇发表于2023年末的《Large Language Model based Multi-Agents: A Survey of Progress and Challenges》是首篇系统梳理LLM-MA研究的学术综述,覆盖了从基础架构设计到实际应用的完整知识图谱。作者团队来自CMU和MIT,他们分析了近两年涌现的127个相关研究项目,提炼出三大核心范式、九类典型应用场景,并指出了当前面临的七大技术挑战。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 多智能体系统的技术演进与LLM革命
2.1 从传统MAS到LLM-MA的范式迁移
传统多智能体系统(Multi-Agent Systems, MAS)依赖预定义规则和有限状态机,典型如上世纪90年代的合同网协议。2015年后,随着深度强化学习的发展,出现了像OpenAI的Hide&Seek这类基于学习的MAS。但直到2022年LLM出现突破性进展,才真正实现了三个关键转变:
- 自然语言交互:智能体间通信带宽提升1000倍(从结构化消息到自由文本)
- 动态角色演化:单个智能体可实时切换专家/协调者/执行者等不同角色
- 涌现行为:斯坦福实验显示25个LLM智能体在虚拟小镇中自发形成社交网络
2.2 LLM-MA的典型架构模式
论文中归纳的三种基础架构值得开发者关注:
| 架构类型 | 代表系统 | 核心特征 | 适用场景 |
|---|---|---|---|
| 中心化协调 | AutoGPT | 存在中央控制器 | 任务分解与调度 |
| 去中心化协作 | CAMEL | 点对点协商 | 创意生成 |
| 混合分层 | MetaGPT | 既有层级又有对等网络 | 复杂项目管理 |
我在实际项目中验证过,当任务步骤
