Introduction of Multi-agents system(In any task you want)
Multi-Agent System（多智能体系统）概览
- 什么是 Multi-Agent System（多智能体系统, MAS）？
多智能体系统（MAS）指由多个相对自治的 智能体（agent） 组成、在共享环境中交互、协作或竞争以达成个体或群体目标的计算系统。 它关注的并非单个智能体的最优行为，而是 群体层面的组织、协调与涌现行为。 直观理解：可把 LLM 作为多个“角色”来 模拟团队/部门协作，共同完成任务。
- 典型应用与问题类型
现实分布式问题：电网调度、智慧交通、供应链、灾害应对等——天然具备分布式、动态与不确定特性，单体系统难以兼顾全局最优与鲁棒性。
研究方向示例：generation、translation、repair、judge 等。
- 多智能体的核心概念 3.1 智能体（Agent）
在环境中 感知（Perception）—决策（Deliberation/Policy）—行动（Action） 的计算实体。
典型特性：自治性、反应性、前瞻性（主动性）、社会性（可交互）。
3.2 环境（Environment）
智能体感知与行动的客体；可为 完全/部分可观测、确定/随机、静态/动态、连续/离散。
3.3 交互（Interaction）
形式包括 通信、协商、竞争、合作、博弈 等。
3.4 组织（Organization）
角色、层级、规范、协议与团队结构 的总和。
3.5 目标（Goals/Utility）
个体目标与全局社会福利可能 一致或冲突，涉及 机制设计。最终目的应指向 任务完成与效用最优。
- 系统构成与典型架构 4.1 智能体内部架构
反射式/行为式（Reactive）：如 subsumption（抑制/分层行为），响应快但规划能力弱。
BDI（Belief–Desire–Intention）：以信念/愿望/意图建模理性决策，适合可解释规划场景。
学习型：基于 RL/监督/自监督；在 MARL 中可共享或独立训练策略。
LLM-Agent：以 大语言模型 为核心，结合 工具调用、记忆、检索、反思与执行器，擅长复杂推理与开放环境任务。
4.2 多智能体体系结构
集中式编排（Orchestrator）：中央调度（如 Planner/Router）分配任务；全局视角强，但有 单点瓶颈。
分布式协同（Peer-to-Peer）：各智能体平等交互；弹性高但 协议复杂。
分层/混合式（Hierarchical/Hybrid）：上层规划、下层执行；兼顾全局与局部效率。
黑板（Blackboard）/共享记忆：通过公共工作区交换假设与部分解。
4.3 通信与协调机制
通信语言/协议：早期如 KQML、FIPA-ACL；工程上常用 MQ/HTTP/gRPC 与结构化消息（JSON/Proto）。
4.4 协调方式
契约网（Contract Net）与拍卖/竞价：适合任务分派与资源竞争。
协商/投票/共识：如 Paxos/Raft 或多方投票策略。
编队/编组与角色切换：队形控制、动态角色分配。
机制设计：通过激励相容规则引导个体理性行为产生期望群体结果。
组织结构：层级（Hierarchy）、合弄（Holarchy）、团队/联盟（Team/Coalition）、基于角色与规范（Roles & Norms） 的社会化组织。
4.5 多智能体强化学习（MARL）要点
非平稳性：他人策略变化使环境对单体呈现非静态，训练更难。
训练-执行范式：集中式训练、分布式执行（CTDE） 常见。
4.6 方法族（举例）
值分解：VDN、QMIX 将全局价值分解为个体价值。
Actor-Critic：如 MADDPG（集中式 Critic、分布式 Actor）。
对手建模/博弈学习：纳什均衡、可转移策略、元学习。
关键挑战：信用分配、可扩展性、部分可观测、探索-利用平衡、通信带宽与延迟。
- LLM 驱动的多智能体范式（Main Focus） 5.1 角色分工
Planner（计划）
Researcher（检索/分析）
Coder/Executor（工具执行）
Critic/Verifier（审查校验）
Refiner（修复）
5.2 协作模式
辩论/对话式求解（Debate/Deliberation）：互评提升推理稳健性。
反思与记忆（Reflection/Memory）：总结经验、长期记忆库、外部知识检索。
图式编排（Graph-of-Agents）：以 DAG/状态机 显式表达任务流程。
5.3 工程要点
Prompt 模板化
工具/数据库/代码执行器接入
消息路由与缓存
成本与延迟控制
安全防护（越权/数据泄露/注入）
- 经典论文/工作推荐
AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation
CAMEL: Communicative Agents for “Mind” Exploration of LLM Society
Improving Factuality and Reasoning in Language Models through Multi-Agent Debate
Should We Be Going MAD? A Look at Multi-Agent Debate
Reflexion: Language Agents with Verbal Reinforcement Learning
Self-Refine: Iterative Refinement with Self-Feedback
Language Agents as Optimizable Graphs (GPTSwarm)
Graph of Thoughts: Solving Elaborate Problems with LLMs