人多不管用！智能體團隊別盲目擴張，最新綜述給出三大維度

新智元報道

編輯：LRST

【新智元導讀】隨著大語言模型（LLM）驅動的多智能體系統快速發展，越來越多的系統被用于軟件工程、科學分析、網頁自動化、組織協作和社會模擬等任務。但一個核心問題始終沒有被系統回答：為什么有些智能體架構可以支持長鏈條、多步驟任務，而另一些系統在規模擴大后會失穩、低效，甚至失去協調能力？這篇綜述試圖回答的，正是大規模智能體系統為何能擴展、為何會失穩，以及未來該如何設計更可擴展的系統結構。

近年來，agent marketplace和agent system都在快速擴張。

一方面，智能體市場中的可用agent數量和類別不斷增長；

另一方面，真實部署的agent system也從少量角色協作，逐步走向包含數十個甚至數百個agent的復雜結構。

這意味著，大規模智能體系統已經不再只是實驗室中的小規模演示，而正在進入更開放、更持續、更復雜的真實運行環境。

圖1 2025年智能體市場與智能體系統增長趨勢。市場中的智能體數量采用對數坐標顯示，市場類別數和每個系統中的智能體數采用單獨坐標軸顯示，陰影區域表示估計范圍。數據來源：Internet Archive（Wayback Machine）存檔網頁快照，包括OpenAI GPTs、AWS Marketplace和Agent.ai。

圖1展示了這一趨勢：無論是marketplace中的agent數量，還是system中每個任務鏈所涉及的agent數，都在明顯增長。也正因為如此，研究者不能再只關注單個agent的能力，而必須開始回答一個更系統的問題：當agent數量、類型和交互復雜度同時上升時，系統層面的行為究竟由什么決定？

美國埃默里大學（Emory University）、英國牛津大學（University of Oxford）和澳大利亞格里菲斯大學（Griffith University）的研究人員提出了一套三維分類框架，用來統一描述大規模智能體網絡。

第一維是架構拓撲（topology），即系統是中心化（centralized）還是去中心化（decentralized）；

第二維是記憶范圍（memory scope），即信息存放在全局記憶（global memory）還是局部記憶（local memory）中；

第三維是更新行為（update behavior），即系統在運行中是靜態（static）還是動態（dynamic）的。三者組合后，一共得到八類典型的大規模智能體網絡。

論文鏈接：https://www.techrxiv.org/doi/full/10.36227/techrxiv.177127384.46731320/v1

為更直觀地展示這套分類框架，作者將現有大規模智能體系統按照「拓撲（topology）—記憶范圍（memory scope）—更新行為（update behavior）」三個維度組織成一張層級結構圖。通過這張圖可以看到，不同系統雖然都屬于多智能體范式，但它們在中心化或去中心化、全局記憶或局部記憶、靜態或動態更新上的選擇并不相同。這些結構差異進一步決定了系統在協調效率、擴展性、魯棒性和長期行為上的不同表現。

圖2 大規模智能體網絡的三維分類框架：基于拓撲（topology）、記憶范圍（memory scope）與更新行為（update behavior）的層級組織

圖2可以看作這篇綜述的核心。文章強調，真正決定系統表現的，往往不是智能體數量本身，而是這三種機制如何組合。

中心化系統（centralized systems）更容易統一調度和維持一致性（consistency），適合任務流程明確的場景，但規模變大后容易出現中心瓶頸（central bottleneck）；去中心化系統（decentralized systems）更靈活，更適合研究群體涌現（emergence）行為，但也更容易出現局部失調（local miscoordination）和信息漂移（information drift）。

全局記憶（global memory）有利于共享上下文（shared context）和狀態對齊（state alignment），局部記憶（local memory）更貼近真實分布式環境（distributed environment），但也更容易帶來分歧。

靜態系統（static systems）更容易分析和復現，動態系統（dynamic systems）則更適合復雜環境中的長期任務（long-horizon tasks）和自適應協作（adaptive collaboration）。

在此基礎上，文章還進一步提出了一個很重要的判斷：通信協議（communication protocol）雖然重要，但不是大規模智能體網絡最深層的瓶頸。作者指出，更根本的問題是智能體之間世界模型（world model）的不一致。

即使消息傳輸完全正確，不同智能體也可能因為內部知識、偏好和記憶不同，而對同一句話或同一個狀態做出不同解釋。換句話說，傳輸正確，并不等于理解一致。

這種不一致會在系統中逐層放大：在認知層面，會形成信念漂移（belief drift）；在行為層面，會帶來合作不穩定；在任務層面，會造成目標偏移（goal divergence）；在系統層面，則可能形成非平穩動態（non-stationary dynamics），使整個網絡難以收斂。

基于這些觀察，作者認為未來研究需要更關注幾個方向：更明確的一致性模型（consistency model）、更強的共享狀態控制（state control）、更成熟的路由與通信調度機制，以及面向開放環境的身份、安全和魯棒性設計。

文章還指出，現有評估體系遠遠不夠，因為多數基準仍停留在小規模，而未來真實系統可能需要面對上千到上百萬智能體！

總體來看，這篇綜述的價值不只是總結已有工作，更在于給大規模智能體網絡研究提供了一張結構地圖。它提醒我們：未來系統要真正擴展，關鍵不只是增加智能體數量，而是要解決拓撲、記憶、更新機制和世界模型對齊之間的系統性問題。

參考資料：

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6390059