Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

什么是multi agent

Answer

多智能体（Multi-Agent）是由多个自主、独立的智能体（Agent）组成的系统。在这个系统中，每个智能体都能够感知环境、进行决策并执行任务，同时它们之间可以进行信息共享、任务协调以及协同行动，以实现整体的目标。

随着大型语言模型（LLM）的出现，以 LLM 为核心构建的 Agent 系统近期受到广泛关注。Agent 系统旨在利用 LLM 的归纳推理能力，为不同的 Agent 分配角色和任务信息，并配备相应的工具插件，以完成复杂的任务。

目前，更常见的框架主要集中在单 Agent 场景下。单 Agent 的核心在于 LLM 与工具的协同配合。LLM 根据用户任务的理解，推理出需要调用的工具，并根据调用结果向用户提供反馈。在任务完成过程中，Agent 可能需要与用户进行多轮交互。

与此同时，越来越多的 Agent 框架开始关注多 Agent 场景。为了完成任务，多 Agent 会为不同的 Agent 指定不同的角色，并通过 Agent 之间的协作来完成复杂的任务。与单 Agent 相比，在任务完成过程中，与用户的交互可能会减少一些。

为构建一个多 Agent 框架，主要组成部分包括：

  1. 环境（environment）：所有 Agent 应处于同一个环境中。环境中包含全局状态信息，Agent 与环境之间存在信息的交互与更新。
  2. 阶段（stage）：为完成复杂任务，现有多 Agent 框架通常采用 SOP 思想，将复杂任务分解为多个子任务。
  3. 控制器（controller）：控制器可以是 LLM，也可以是预先定义好的规则。它主要负责环境在不同 Agent 和阶段之间的切换。
  4. 记忆：在单 Agent 中，记忆只包括用户、LLM 回应和工具调用结果等部分。而在多 Agent 框架中，由于 Agent 数量增多，导致消息数量增多。同时，每条消息可能需要记录发送方、接收方等字段。

多智能体的核心交互流程包括：

  1. 控制器更新当前环境状态，选择下一时刻行动的 Agent。
  2. Agent 与环境交互，更新自身的记忆信息。
  3. Agent 调用 LLM，执行动作并获取输出消息。
  4. 将输出消息更新到公共环境中。

参考资料：

  1. 《multi-agent：多角色 Agent 协同合作，高效完成复杂任务》
  2. 《多智能体 Agent 协同系统是什么》
Content generated by AI large model, please carefully verify (powered by aily)

References

问：Multi-Agent是什么

多智能体（Multi-Agent）是由多个自主、独立的智能体（Agent）组成的系统。在这个系统中，每个智能体都能够感知环境、进行决策并执行任务，同时它们之间可以进行信息共享、任务协调以及协同行动，以实现整体的目标。[heading2]关于Multi-Agent[content]随着大型语言模型（LLM）的出现，以LLM为核心构建的Agent系统近期受到了广泛关注。Agent系统旨在利用LLM的归纳推理能力，为不同的Agent分配角色和任务信息，并配备相应的工具插件，以完成复杂的任务。目前，更常见的框架主要集中在单Agent场景下。单Agent的核心在于LLM与工具的协同配合。LLM根据用户任务的理解，推理出需要调用的工具，并根据调用结果向用户提供反馈。在任务完成过程中，Agent可能需要与用户进行多轮交互。与此同时，越来越多的Agent框架开始关注多Agent场景。为了完成任务，多Agent会为不同的Agent指定不同的角色，并通过Agent之间的协作来完成复杂的任务。与单Agent相比，在任务完成过程中，与用户的交互可能会减少一些。[heading2]主要组成部分[content]为构建一个多Agent框架，我们需要思考相对于单Agent，框架中增加了哪些组件。环境（environment）：所有Agent应该处于同一个环境中。环境中包含全局状态信息，Agent与环境之间存在信息的交互与更新。阶段（stage）：为了完成复杂任务，现有多Agent框架通常采用SOP思想，将复杂任务分解为多个子任务。控制器（controller）：控制器可以是LLM，也可以是预先定义好的规则。它主要负责环境在不同Agent和阶段之间的切换。记忆：在单Agent中，记忆只包括用户、LLM回应和工具调用结果等部分。而在多Agent框架中，由于Agent数量增多，导致消息数量增多。同时，每条消息可能需要记录发送方、接收方等字段。

有用Agent产品开发踩坑及思考

其实只要看过官方文档的应该都能知道，大模型请求中，最大的两个变量：Messages和Tools。Messages里面放的是sys prompt，memory，user query；Tools里面放的是一些能力的Json Scheme；而这两者组合在一起，就形成整个完全的Prompt。所以Agent应用开发的本质是什么？动态Prompt拼接。通过工程化的手段，不断把业务需求转述成新的prompt。短期记忆：messages里的历史QA对；长期记忆：summary之后的本文，再塞回system prompt；RAG是啥？向量相似性检索，然后放在system prompt里或者通过tools触发检索Action：触发tool_calls标记，进入请求循环，拿模型生成的请求参数进行API request，再把结果返回给大模型进行交互；没有tool_calls标记了，循环结束。对应页面上就是对话一轮对话结束。Multi Agents是啥？把system prompt和tools换一换，A就变成B了。还有啥？没了呀，本质就是这些东西。当然，这也就是最基本的原理，想做深，做好，肯定还有很多坑需要踩。

问：Multi-Agent是什么

1.控制器更新当前环境状态，选择下一时刻行动的Agent。2.Agent与环境交互，更新自身的记忆信息。3.Agent调用LLM，执行动作并获取输出消息。4.将输出消息更新到公共环境中。参考资料：《[multi-agent：多角色Agent协同合作，高效完成复杂任务](https://zhuanlan.zhihu.com/p/660045220)》《[多智能体Agent协同系统是什么](https://www.ai-indeed.com/encyclopedia/6125.html)》

Others are asking
实用至上：智能体 / Agent 是什么
智能体（Agent）在人工智能和计算机科学领域是一个非常重要的概念，指的是一种能够感知环境并采取行动以实现特定目标的实体，可以是软件程序，也可以是硬件设备。 智能体可以根据其复杂性和功能分为以下几种类型： 1. 简单反应型智能体（Reactive Agents）：根据当前的感知输入直接采取行动，不维护内部状态，也不考虑历史信息。例如温控器，它根据温度传感器的输入直接打开或关闭加热器。 2. 基于模型的智能体（Modelbased Agents）：维护内部状态，对当前和历史感知输入进行建模，能够推理未来的状态变化，并根据推理结果采取行动。比如自动驾驶汽车，它不仅感知当前环境，还维护和更新周围环境的模型。 3. 目标导向型智能体（Goalbased Agents）：除了感知和行动外，还具有明确的目标，能够根据目标评估不同的行动方案，并选择最优的行动。例如机器人导航系统，它有明确的目的地，并计划路线以避免障碍。 4. 效用型智能体（Utilitybased Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动，评估行动的优劣，权衡利弊。比如金融交易智能体，根据不同市场条件选择最优的交易策略。 5. 学习型智能体（Learning Agents）：能够通过与环境的交互不断改进其性能，学习模型、行为策略以及目标函数。例如强化学习智能体，通过与环境互动不断学习最优策略。 在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，并辅以几个关键组成部分： 1. 规划：包括子目标和分解，将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务；反思和完善，Agents 可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量。 2. 记忆：短期记忆，所有的上下文学习都是利用模型的短期记忆来学习；长期记忆，这为 Agents 提供了长时间保留和回忆（无限）信息的能力，通常是通过利用外部向量存储和快速检索来实现。 3. 工具使用：Agents 学习调用外部 API 来获取模型权重中缺失的额外信息（通常在预训练后很难更改），包括当前信息、代码执行能力、对专有信息源的访问等。 随着 LLM 在几个关键能力上的成熟——理解复杂输入、进行推理和规划、可靠使用工具以及从错误中恢复，智能体开始在生产环境中涌现。智能体通过与人类用户的命令或交互式对话开始工作。一旦任务明确，智能体就会独立进行规划和操作，必要时会向人类寻求更多信息或判断。在执行过程中，智能体需要在每个步骤从环境中获取“基准事实”（如工具调用结果或代码执行情况）以评估其进展。智能体可以在检查点或遇到障碍时暂停等待人类反馈。任务通常在完成时终止，但也常常包含停止条件（如最大迭代次数）以保持控制。 智能体适用于难以或无法预测所需步骤数量的开放性问题，且无法硬编码固定路径的场景。LLM 可能需要运行多个回合，您必须对其决策能力有一定信任。智能体的自主性使其非常适合在可信环境中扩展任务，但智能体的自主性也意味着更高的成本和潜在的错误累积。我们建议在沙盒环境中进行广泛测试，并设置适当的防护措施。 以下是一些实用案例： 1. 用于解决 SWEbench 任务的编码智能体，根据任务描述对多个文件进行编辑：https://www.anthropic.com/research/swebenchsonnet 2. 我们的“计算机使用”参考实现，让 Claude 使用计算机完成任务：https://github.com/anthropics/anthropicquickstarts/tree/main/computerusedemo
2025-03-02
有ai产品吗？ 咨询一下，能进入面试的自建ai agent项目具体要达到一个什么水准啊？
目前有一些 AI 面试官的相关产品，例如： 1. 用友大易 AI 面试产品：具有强大技术底座、高度场景贴合度、招聘全环节集成的解决方案、先进防作弊技术及严密数据安全保障。能完成面试、初筛并自动发送面试邀约。 2. 海纳 AI 面试：通过在线方式、无需人为干预完成自动面试、自动评估，精准度高达 98%，面试效率比人工方式提升 5 倍以上，候选人到面率提升最高达 30%。 3. InterviewAI：在线平台，提供面试职位相关问题及 AI 生成的推荐答案。候选人用设备麦克风回答，每个问题最多回答三次，并收到评估、建议和得分。 此外，Cognition 发布了首位 AI 软件工程师 Devin，它是一个自主 Agents，能通过使用自己的 shell、代码编辑器和网络浏览器解决工程任务，成功通过知名人工智能公司的实际工程面试，还在 Upwork 上完成了实际工作。在无辅助情况下正确解决了 13.86%的问题，远超之前最先进模型。 在其他领域，也有相关的 AI 项目和产品，如： 1. 软件层具有独特多元化行为动作生成及控制 AI Agent 的产品，能实现人类所有基本行为动作的生成及流程过渡，硬件层具有独特并行通信架构，容错率高，力矩密度前沿，深度耦合软件算法，实现 24 小时全天续航无休。 2. 百奥几何的生成式 AI 大模型赋能蛋白质设计，应用在包括生物医药、化工、医美、食品等整个生物制造领域，其生成式 AI 蛋白质大模型 GeoFlow 已达国际领先水平。 3. 行云致力于打造软件亲和、高显存规格的大模型推理芯片，用异构、白盒的硬件形态重塑大模型计算系统，解决大模型产业的算力成本和供应问题。
2025-03-02
如何做自己的agent
要做自己的 Agent，可以按照以下步骤进行： 1. 从基础案例入门 三分钟捏 Bot Step 1：（10 秒）登录控制台 登录扣子控制台（coze.cn）。 使用手机号或抖音注册/登录。 Step 2：（20 秒）在我的空间创建 Agent 在扣子主页左上角点击“创建 Bot”。 选择空间名称为“个人空间”、Bot 名称为“第一个 Bot”，并点击“确认”完成配置。如需使用其他空间，请先创建后再选择；Bot 名称可以自定义。 Step 3：（30 秒）编写 Prompt 填写 Prompt，即自己想要创建的 Bot 功能说明。第一次可以使用一个简短的词语作为 Prompt 提示词。 Step 4：（30 秒）优化 Prompt 点击“优化”，使用来帮忙优化。 Step 5：（30 秒）设置开场白 Step 6：（30 秒）其他环节 Step 7：（30 秒）发布到多平台&使用 2. 进阶之路 15 分钟做什么 查看下其他 Bot，获取灵感 1 小时做什么 找到和自己兴趣、工作方向等可以结合的 Bot，深入沟通 一周做什么 了解基础组件 寻找不错的扣子，借鉴&复制 加入 Agent 共学小组 尝试在群里问第一个问题 一个月做什么 合理安排时间 参与 WaytoAGI Agent 共学计划 自己创建 Agent，并分享自己捏 Bot 的经历和心得 3. 在 WaytoAGI 有哪些支持 文档资源 交流群 活动 此外，还可以借助开源社区的力量构建高质量的 AI 数字人。推荐使用像 dify、fastgpt 等成熟的高质量 AI 编排框架，它们有大量的开源工作者维护，集成各种主流的模型供应商、工具以及算法实现等。可以通过这些框架快速编排出自己的 AI Agent，赋予数字人灵魂。在开源项目中，使用 dify 的框架，利用其编排和可视化交互任意修改流程，构造不同的 AI Agent，并且实现相对复杂的功能，比如知识库的搭建、工具的使用等都无需任何的编码和重新部署工作。同时 Dify 的 API 暴露了 audiototext 和 texttoaudio 两个接口，基于这两个接口就可以将数字人的语音识别和语音生成都交由 Dify 控制，从而低门槛做出自己高度定制化的数字人。如果有更加高度定制的模型，也可以在 Dify 中接入 XInference 等模型管理平台，然后部署自己的模型。此外，数字人 GUI 工程中仍然保留了 LLM、ASR、TTS、Agent 等多个模块，能够保持更好的扩展。 从产品经理角度思考 Agent 时，比如我们的 Agent 可以是一个历史新闻探索向导，其身份是历史新闻探索向导，性格是知识渊博、温暖亲切、富有同情心，角色是主导新闻解析和历史背景分析。为了使角色更加生动，可以为 Agent 设计一个简短的背景故事。写好角色个性需要注意角色背景和身份、性格和语气、角色互动方式、角色技能等方面。正如《》所写，个性化定制的“虚拟伴侣”能得到用户的认可，这是因为精准地击中了许多年轻人无处可藏的孤独和焦虑。美国心理学家 Robert Jeffrey Sternberg 提出了“爱情三角理论”，认为爱情包含“激情”“亲密”和“承诺”三个要素。激情是生理上或情绪上的唤醒，亲密是一种相互依恋的感觉，承诺是决定建立长期稳定关系。
2025-03-01
agent
智能体（Agent）在人工智能和计算机科学领域是一个重要概念，指能够感知环境并采取行动以实现特定目标的实体，既可以是软件程序，也可以是硬件设备。 在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，并包含以下关键组成部分： 1. 规划：包括子目标和分解，将大型任务分解为更小、可管理的子目标，以有效处理复杂任务。 2. 反思和完善：能够对过去的行为进行自我批评和反思，从错误中吸取教训，完善未来步骤，提高最终结果质量。 3. 记忆：分为短期记忆，用于所有的上下文学习；长期记忆，通过利用外部向量存储和快速检索实现长时间保留和回忆无限信息的能力。 4. 工具使用：学习调用外部 API 来获取模型权重中缺失的额外信息，包括当前信息、代码执行能力、对专有信息源的访问等。 以下是一些关于智能体 Agent 的相关目录： 1. 2. 3. 4. 5. 6. 从产品角度思考 Agent 设计： 1. Agent 是谁及性格：比如是一个历史新闻探索向导，身份为历史新闻探索向导，性格知识渊博、温暖亲切、富有同情心，角色主导新闻解析和历史背景分析，为使角色更生动可设计简短背景故事，如曾是一位历史学家，对重大历史事件了如指掌且充满热情、愿意分享知识。 2. 写好角色个性：包括编写背景故事明确起源、经历和动机；定义性格特点和说话方式风格；设计对话风格，从基本问答到深入讨论；明确核心功能，如提供新闻解析、历史背景分析或心理分析，增加附加功能提高吸引力和实用性。 正如《》所写：个性化定制的“虚拟伴侣”能得到用户认可，因精准击中年轻人的孤独和焦虑，背后是年轻人渴望被理解、沟通和交流。美国心理学家 Robert Jeffrey Sternberg 提出“爱情三角理论”，认为爱情包含“激情”“亲密”“承诺”三个要素，激情是生理或情绪上的唤醒，亲密是相互依恋的感觉，通过相互联结分享所见所闻、喜怒哀乐体现，承诺是决定建立长期稳定关系，融入对方生活，形成互助互惠的关系，代表着一种长相厮守的责任。
2025-02-27
如何搭建一个自动把录音文件转文字的agent，然后发布到飞书多维表格字段捷径
搭建一个自动把录音文件转文字的 agent 并发布到飞书多维表格字段捷径的步骤如下： 1. 工作流调试完成后，加入到智能体中。可以选择工作流绑定卡片数据，智能体通过卡片回复。绑定卡片数据可自行研究，如有疑问可留言。 2. 发布：选择需要的发布渠道，重点是飞书多维表格。记得智能体提示词的 4 个变量，填写上架信息（为快速审核，选择仅自己可用），确认发布并等待审核。审核通过后即可在多维表格中使用。 3. 创建飞书多维表格，添加相关字段。配置选择“自动更新”，输入 4 个字段后，“文案视频自动化”字段捷径会自动调用工作流，生成视频。 4. 表单分享，实现“填写表单，自动创建文案短视频”的效果。 5. 点击多维表格右上角的“自动化”，创建想要的自动化流程。 此外，关于 Coze 应用与多维表格的结合还有以下相关内容： 1. Coze 智能体（字段捷径）获取笔记+评论信息：创建智能体，使用单 Agent 对话流模式，编排对话流，配置相关节点和插件，进行数据处理和测试，最后发布。 2. Coze 应用：完成后端准备工作后，创建应用，设计界面和工作流，包括读取博主笔记列表的工作流，进行相关配置和参数设置。
2025-02-27
如何搭建一个工作流来做ai agent 的事情，帮助学生找工作的整个流程，从找合适岗位-> 投递简历 -> 和hr联系 ->做面试前的search工作和面试准备-> 提醒参加面试-> 面试结果追踪，后续的复盘，得到面试经验
搭建一个用于帮助学生找工作的 AI Agent 工作流可以参考以下步骤： 1. 规划 总结任务目标与执行形式，明确帮助学生从找合适岗位到面试结果追踪及复盘的全过程。 将任务分解为可管理的子任务，例如找合适岗位、投递简历、与 HR 联系、面试前准备、提醒参加面试、面试结果追踪和复盘等，并确立它们的逻辑顺序和依赖关系。 设计每个子任务的执行方法，比如确定合适的岗位筛选标准、制定简历投递策略、规划与 HR 沟通的方式等。 2. 实施 在相应的平台（如 Coze 等）上搭建工作流框架，设定每个节点的逻辑关系。 详细配置子任务节点，例如设置岗位筛选的参数、简历模板和投递渠道、与 HR 联系的话术等，并验证每个子任务的可用性。 3. 完善 整体试运行工作流，识别功能和性能的卡点。 通过反复测试和迭代，优化工作流，直至达到预期效果，例如提高学生找到合适工作的成功率、提升面试表现等。 此外，在技术实现方面，例如实现无代码开发和工具调用，您可以参考以下操作： 打开 Comfyui 界面后，右键点击界面，即可找到 Comfyui LLM party 的目录，您既可以学习如何手动连接这些节点，从而实现一个最简单的工作流，也可以直接将相关工作流文件拖拽到 Comfyui 界面中一键复刻提示词工程实验。 从 ollama 的 github 仓库找到对应版本并下载，启动 ollama 后，在 cmd 中输入 ollama run gemma2 将自动下载 gemma2 模型到本地并启动。将 ollama 的默认 base URL=http://127.0.0.1:11434/v1/以及 api_key=ollama 填入 LLM 加载器节点即可调用 ollama 中的模型进行实验。如果 ollama 连接不上，很可能是代理服务器的问题，请将您的 127.0.0.1:11434 添加到不使用代理服务器的列表中。
2025-02-27
有没有multi agent相关项目可以推荐一下吗
以下是为您推荐的一些与 multi agent 相关的项目： 1. 《Multi Agent 策略架构基础（1）》：https://waytoagi.feishu.cn/record/1sfvunQZGoT5vB2r29i9PWi6W ，其中介绍了有代表性的 Multi Agent demo 项目包括 AutoGPT、Smallville 小镇和面壁智能 ChatDev，探讨了 Multi Agent 领域的相关内容以及其面临的挑战和限制。 2. 吴恩达最新演讲中提到的清华面壁智能的开源项目 ChatDev，展示了多智能体协作的场景，如不同身份的智能体合作开发小游戏。 此外，为您补充一些关于 multi agent 的知识： 多智能体（MultiAgent）是由多个自主、独立的智能体（Agent）组成的系统。每个智能体都能感知环境、决策并执行任务，且它们之间能信息共享、任务协调与协同行动以实现整体目标。 随着大型语言模型（LLM）的出现，以 LLM 为核心构建的 Agent 系统受广泛关注。目前常见框架集中在单 Agent 场景，其核心是 LLM 与工具协同配合，可能需与用户多轮交互。而多 Agent 场景为不同 Agent 指定角色，通过协作完成复杂任务，与用户交互可能减少。 构建多 Agent 框架主要组成部分包括： 环境（environment）：所有 Agent 处于同一环境，环境包含全局状态信息，Agent 与环境有信息交互与更新。 阶段（stage）：采用 SOP 思想将复杂任务分解为多个子任务。 控制器（controller）：可以是 LLM 或预先定义好的规则，负责环境在不同 Agent 和阶段之间切换。 记忆：在多 Agent 框架中，由于 Agent 数量增多，消息数量及每条消息需记录的字段也相应增加。
2025-01-14
mat1 and mat2 shapes cannot be multiplied的错误原因与解决方法
很抱歉，目前知识库中没有关于“mat1 and mat2 shapes cannot be multiplied”错误原因与解决方法的相关内容。但通常这种错误可能是由于矩阵的维度不匹配导致的。您可以检查矩阵 mat1 和 mat2 的形状，确保它们满足乘法运算的规则。例如，如果是二维矩阵相乘，第一个矩阵的列数应该等于第二个矩阵的行数。解决方法可能包括重新调整矩阵的形状，或者检查数据处理和运算的逻辑，确保矩阵的维度在进行乘法运算时是正确匹配的。
2024-10-22
Way to AGI multi-language support
以下是关于 AGI 多语言支持的相关信息： OpenVoice V2 版本已推出，支持多语言，包括英语、西班牙语、法语、中文、日语和韩语。音质有所提升，可复制任何声音，并能精细控制情感、口音和语调。相关链接：https://xiaohu.ai/p/6726 、https://x.com/imxiaohu/status/1783312237937005043 在广义语言方面，当前大多数国家之间语言的高质量翻译可以实现，编程语言之间的相互翻译能力也不错，但人的语言与机器语言之间的翻译还需改进，这需要 AI 具备更强的理解、假设和解决问题的能力，这也是 AI Agent 要实现的目标。
2024-08-15
multi agent是什么
多智能体（Multiagent）是指多个相互作用的智能体组成的系统。在人工智能领域，多智能体系统具有广泛的应用。例如，在供应链中，不同经济运营商之间的责任分配存在不确定性。就我国相关规范而言，服务提供者往往是主要责任主体。而在《人工智能法案》中，人工智能系统供应链的参与主体更为细化，包括提供者、部署商、授权代表、进口商和分发商等，它们被统称为“运营者”。2023 年《AI 法案》折衷草案在法律义务分配设计上，特别是对于高风险人工智能系统，提供者和部署商将承担主要义务。其中，提供者承担最广泛的合规义务，包括建立风险管理制度和质量管理制度等，涵盖人工智能系统生命周期的事前和事后环节；部署商的义务则主要集中于确保对高风险人工智能系统的人工监督和日常检测义务，主要覆盖人工智能生命周期的事中环节。
2024-07-07
有哪些常见的multi agent调度模式？
在多智能体（MultiAgent）系统中，常见的调度模式主要有以下几种： 1. 集中式调度（Centralized Scheduling） 在这种模式下，有一个中央控制器负责收集所有智能体的信息，并做出整体最优的决策和资源分配。常见于需要全局协调的场景，如机器人协作、交通管制等。 2. 分布式调度（Distributed Scheduling） 每个智能体根据本地信息和与其他智能体的交互来做出决策，无需中央控制器。常用于大规模、动态、开放的系统，如传感器网络、P2P 网络等。 3. 市场驱动调度（MarketDriven Scheduling） 智能体通过竞价机制获取资源和任务分配。类似于现实市场的供需规律，常用于电力负载调度、计算资源分配等领域。 4. 约束优化调度（Constraint Optimization Scheduling） 将多智能体协作问题建模为分布式约束优化问题，通过启发式或完全算法求解近似最优解。适用于任务分配、资源规划等约束严格的场景。 5. 组织结构调度（Organizational Structuring） 根据特定的组织拓扑结构（层级、同辈、联盟等）对智能体角色和协作模式进行规范，实现有序调度。常见于多机器人协作、组织自动化系统中。 6. 基于规范协议的调度（Normbased Scheduling） 定义一组协议规范来约束智能体的行为，并由规范引擎统一调度和裁决。适用于开放、异构的多智能体系统。 这些调度模式各有利弊，实际应用时需要根据系统的特点、约束和目标进行选择和设计。同时也可以采用混合模式，结合不同模式的优点。调度质量和系统性能是评价标准。
2024-04-19
Multi-Agent是什么
关于多智能体（MultiAgent） 多智能体是由多个自主、独立的智能体组成的系统。在这个系统中，每个智能体都能够感知环境、进行决策并执行任务，同时它们之间可以进行信息共享、任务协调以及协同行动，以实现整体的目标。 随着大型语言模型（LLM）的出现，以LLM为核心构建的Agent系统近期受到了广泛关注。Agent系统旨在利用LLM的归纳推理能力，为不同的Agent分配角色和任务信息，并配备相应的工具插件，以完成复杂的任务。 目前，更常见的框架主要集中在单Agent场景下。单Agent的核心在于LLM与工具的协同配合。LLM根据用户任务的理解，推理出需要调用的工具，并根据调用结果向用户提供反馈。在任务完成过程中，Agent可能需要与用户进行多轮交互。 与此同时，越来越多的Agent框架开始关注多Agent场景。为了完成任务，多Agent会为不同的Agent指定不同的角色，并通过Agent之间的协作来完成复杂的任务。与单Agent相比，在任务完成过程中，与用户的交互可能会减少一些。 主要组成部分 为构建一个多Agent框架，我们需要思考相对于单Agent，框架中增加了哪些组件。 环境（environment）：所有Agent应该处于同一个环境中。环境中包含全局状态信息，Agent与环境之间存在信息的交互与更新。 阶段（stage）：为了完成复杂任务，现有多Agent框架通常采用SOP思想，将复杂任务分解为多个子任务。 控制器（controller）：控制器可以是LLM，也可以是预先定义好的规则。它主要负责环境在不同Agent和阶段之间的切换。 记忆：在单Agent中，记忆只包括用户、LLM回应和工具调用结果等部分。而在多Agent框架中，由于Agent数量增多，导致消息数量增多。同时，每条消息可能需要记录发送方、接收方等字段。 核心交互流程 1. 控制器更新当前环境状态，选择下一时刻行动的Agent。 2. Agent与环境交互，更新自身的记忆信息。 3. Agent调用LLM，执行动作并获取输出消息。 4. 将输出消息更新到公共环境中。
2024-04-15